La capacidad de capturar dependencias a larga distancia es crítica para mejorar la precisión de predicción de los modelos de predicción espaciotemporal. Los modelos ConvLSTM tradicionales enfrentan limitaciones inherentes en este sentido, junto con el desafío de la degradación de la información, lo que impacta negativamente en el rendimiento de la predicción. Para abordar estos problemas, este artículo propone un modelo QSA-QConvLSTM, que integra circuitos de convolución cuántica y mecanismos de autoatención cuántica. El mecanismo de autoatención cuántica mapea vectores de consulta, clave y valor utilizando circuitos cuánticos variacionales, mejorando efectivamente la capacidad de modelar dependencias a larga distancia en datos espaciotemporales. Además, el uso de circuitos de convolución cuántica mejora la extracción de características espaciales. Los experimentos en el conjunto de datos Moving MNIST demuestran la superioridad del modelo QSA-QConvLSTM sobre modelos existentes, incluyendo ConvLSTM, TrajGRU, PredRNN y PredRNN v2, con puntajes de MSE y SSIM de 44.3 y 0.906, respectivamente. Los estudios de ablación verifican aún más la efectividad y necesidad de los circuitos de convolución cuántica y los módulos de autoatención cuántica, proporcionando un enfoque eficiente y preciso para el modelado cuantizado en tareas de predicción espaciotemporal.