Utilizar un modelo de predicción de series temporales de temperatura para lograr buenos resultados puede ayudarnos a detectar con precisión los cambios en los niveles de temperatura con anticipación, lo cual es importante para la vida humana. Sin embargo, las fluctuaciones aleatorias en una serie temporal de temperatura pueden reducir la precisión del modelo de predicción. Descomponer los datos de series temporales antes de realizar una predicción puede reducir eficazmente la influencia de las fluctuaciones aleatorias en los datos y, en consecuencia, mejorar los resultados de precisión de la predicción. En el presente estudio, proponemos un modelo de predicción de series temporales de temperatura que combina el procedimiento de descomposición de tendencia estacional basado en el método de descomposición loess (STL), el algoritmo jumps upon spectrum and trend (JUST) y la red neuronal bidireccional de memoria a corto y largo plazo (Bi-LSTM). Este modelo puede lograr predicciones de temperatura promedio diaria para ciudades ubicadas en China. En primer lugar, descomponemos la serie temporal en componentes de tendencia, estacionales y residuales utilizando los algoritmos JUST y STL. Luego, se combinan los componentes determinados por los dos métodos. En segundo lugar, los tres componentes y los datos originales se introducen en el modelo Bi-LSTM de dos capas con fines de entrenamiento. Finalmente, los resultados de predicción logrados tanto para los componentes como para los datos originales se combinan mediante pesos aprendibles y se emiten como resultado final. Los resultados experimentales muestran que los errores cuadráticos medios y absolutos promedio de nuestro modelo propuesto en el conjunto de datos son 0,2187 y 0,1737, respectivamente, valores inferiores a los valores de 4,3997 y 3,3349 obtenidos para el modelo Bi-LSTM, 2,5343 y 1,9265 para el modelo EMD-LSTM, y 0,9336 y 0,7066 para el modelo STL-LSTM.