Los métodos actuales de predicción de temperatura a menudo se centran en la información de series temporales, mientras que descuidan las contribuciones de diferentes factores meteorológicos y el contexto de los distintos intervalos de tiempo. En consecuencia, este estudio desarrolló un modelo de red Dual-Attention-BiLSTM (una red de memoria a corto y largo plazo bidireccional con mecanismos de atención dual), que integra un modelo de red de memoria a corto y largo plazo bidireccional (BiLSTM) con selección de características basada en bosques aleatorios y dos mecanismos de atención diseñados por sí mismos. Se realizó un análisis de sensibilidad para evaluar la influencia de los mecanismos de atención. Este estudio se centra en la ciudad de Shijiazhuang, China, que tiene un clima monzónico continental templado con variaciones estacionales y diarias significativas. Los datos se obtuvieron de ERA5-Land, que comprende la temperatura cercana a la superficie y variables meteorológicas relacionadas por hora para el año 2022. Los resultados indican que la integración de los dos mecanismos de atención mejora significativamente el rendimiento de predicción del modelo en comparación con el uso de BiLSTM solo. El error absoluto medio entre los resultados de simulación varía de 0.80 grados C a 1.08 grados C, con una reducción de 0.17 grados C a 0.39 grados C, y el error cuadrático medio varía de 1.17 grados C a 1.37 grados C, con una reducción de 0.12 grados C a 0.22 grados C.