En múltiples problemas de predicción de series temporales relacionadas, la clave es capturar la influencia integral de las dependencias temporales dentro de cada serie temporal y las dependencias interactivas entre las series temporales. En la actualidad, la mayoría de los métodos de predicción de series temporales tienen dificultades para capturar la compleja interacción entre las series temporales, lo que afecta seriamente los resultados de la predicción. En este artículo, proponemos un nuevo modelo de aprendizaje profundo, Redes Generativas Antagónicas de Múltiples Series Temporales (MTSGAN), basado en redes generativas antagónicas para resolver este problema. MTSGAN se compone principalmente de tres componentes: generador de matriz de interacción, generador de predicción y discriminador de series temporales. En nuestro modelo, se utilizan redes neuronales convolucionales de grafos para extraer dependencias interactivas, y redes de memoria a largo y corto plazo para extraer dependencias temporales. A través del entrenamiento adversarial entre el generador y el discriminador, permitimos que el generador de predicción final genere valores de predicción que están muy cerca de los valores reales. Por último, comparamos el rendimiento de predicción del MTSGAN con otros puntos de referencia en diferentes conjuntos de datos para probar la efectividad de nuestro modelo propuesto, y encontramos que el modelo MTSGAN supera consistentemente a otros métodos de vanguardia en los problemas de predicción de múltiples series temporales relacionadas.