La información de series temporales multivariables (MTS) es un tipo típico de inferencia de datos en el mundo real. Cada instancia de MTS se produce a través de un esquema dinámico híbrido, cuya dinámica suele ser desconocida. Las especies híbridas de este servicio dinámico son el resultado de impactos externos de alta y baja frecuencia, así como de impactos espaciales globales y locales. Estas influencias afectan al crecimiento futuro de MTS; por lo tanto, deben incorporarse en las previsiones de series temporales. Se recomiendan dos tipos de módulos de normalización, normalización temporal y espacial, para lograr esto. Cada uno potencia de manera distinta los procesos locales y de alta frecuencia de los datos originales. Además, todos los componentes se pueden incorporar fácilmente en técnicas de aprendizaje profundo conocidas, como Wavenet y Transformer. Sin embargo, las metodologías existentes tienen limitaciones inherentes cuando se trata de aislar las variables producidas por cada tipo de influencia de los datos reales. En consecuencia, el estudio abarca redes neuronales convencionales, como el perceptrón multicapa (MLP), métodos complejos de aprendizaje profundo como LSTM, dos redes neuronales recurrentes, máquinas de vectores de soporte (SVM) y su aplicación para regresión, XGBoost, entre otros. Un extenso trabajo experimental en tres conjuntos de datos muestra que la efectividad de los marcos canónicos podría mejorarse enormemente añadiendo más componentes de normalización a cómo se utiliza MTS. Esto lo haría tan efectivo como los mejores diseños de MTS actualmente disponibles. Los modelos recurrentes, como LSTM y RNN, intentan reconocer la variabilidad temporal en los datos; sin embargo, como resultado, su efectividad podría disminuir pronto. Por último, se afirma que entrenar un marco temporal que utilice métodos basados en recurrencia como RNN y LSTM es desafiante y costoso, mientras que la estructura de red MLP superó a otros modelos en términos de rendimiento predictivo de series temporales.