En la actualidad, el diseño de vehículos modernos requiere mejorar el rendimiento de conducción al cumplir con las normas de emisión, lo que lleva a sistemas de potencia cada vez más complejos. En los sistemas de conducción autónoma, la predicción precisa y en tiempo real de la velocidad del vehículo es uno de los factores clave para lograr la conducción automatizada. La predicción precisa y el control óptimo basado en las velocidades futuras del vehículo son estrategias clave para hacer frente a entornos de conducción reales y complejos en constante cambio. Sin embargo, predecir el comportamiento del conductor es incierto y puede estar influenciado por el entorno de conducción circundante, como el clima y las condiciones de la carretera. Para superar estas limitaciones, proponemos un método de predicción de velocidad del vehículo en tiempo real basado en un modelo de aprendizaje profundo ligero impulsado por grandes datos temporales. En primer lugar, los datos temporales recopilados por los sensores automotrices se descomponen en una matriz de características a través de la descomposición en modos empíricos (EMD). Luego, se diseña un modelo informador basado en el mecanismo de atención para extraer información clave para el aprendizaje y la predicción. Durante el proceso de entrenamiento iterativo del informador, se eliminan los parámetros redundantes a través de criterios de medición de importancia para lograr una inferencia en tiempo real. Finalmente, los resultados experimentales demuestran que el método propuesto logra un rendimiento superior en la predicción de velocidad al compararlo con métodos de modelado estadístico de vanguardia y modelos de aprendizaje profundo. Las pruebas en dispositivos de computación perimetral también confirmaron que el modelo diseñado puede cumplir con los requisitos de tareas reales.