Para mejorar la precisión de las predicciones y proporcionar tiempo suficiente para controlar la toma de decisiones, se propone un modelo de pronóstico de múltiples pasos basado en descomposición para las variables ambientales de la casa de conejos. Los métodos de pronóstico tradicionales para los parámetros ambientales de la casa de conejos tienen un rendimiento deficiente porque se ignora la relación de acoplamiento entre las secuencias. Utilizando el algoritmo STL, el modelo propuesto primero descompone la serie temporal no estacionaria en componentes de tendencia, estacionales y residuales, y luego predice por separado en función de las características de cada componente. Se utilizan LSTM e Informer para predecir los componentes de tendencia y residual, respectivamente. Los dos valores predichos mencionados se suman junto con el componente estacional para obtener el valor predicho final. Las variables ambientales más importantes en una casa de conejos son la temperatura, la humedad y la concentración de dióxido de carbono. Los resultados experimentales muestran que las longitudes de las secuencias de entrada del codificador y decodificador en el modelo Informer tienen un impacto significativo en el rendimiento del modelo. La serie temporal de correlación multivariada del ambiente de la casa de conejos se puede predecir de manera efectiva en un modo de múltiples entradas y una sola salida. La predicción de la temperatura y la humedad mejoró significativamente, pero la concentración de dióxido de carbono no. Debido a la extracción efectiva de la relación de acoplamiento entre las series temporales correlacionadas, el modelo propuesto puede realizar perfectamente la predicción multivariada de múltiples pasos de series temporales no estacionarias.