En la era de la computación cuántica intermedia ruidosa (NISQ), la colaboración sinérgica entre los modelos de computación cuántica y clásica ha surgido como una solución prometedora para abordar desafíos computacionales complejos. La memoria a largo y corto plazo (LSTM), como una red popular para modelar datos secuenciales, ha sido ampliamente reconocida por su efectividad. Sin embargo, con la creciente demanda de extracción de datos y características espaciales, el costo de entrenamiento de LSTM exhibe un crecimiento exponencial. En este estudio, proponemos el modelo de memoria a largo y corto plazo cuántica convolucional (QConvLSTM). Al integrar ingeniosamente redes LSTM convolucionales clásicas (ConvLSTM) y algoritmos variacionales cuánticos, aprovechamos las propiedades cuánticas variacionales y las características aceleradoras de los estados cuánticos para optimizar el proceso de entrenamiento del modelo. La validación experimental demuestra que, en comparación con varias variantes de LSTM, nuestro modelo QConvLSTM propuesto supera en términos de rendimiento. Además, adoptamos una filosofía de diseño de circuitos jerárquicos en forma de árbol para mejorar las capacidades de computación paralela del modelo mientras reducimos la dependencia de la cantidad de qubits cuánticos y la profundidad del circuito. Además, la resistencia inherente al ruido en los algoritmos cuánticos variacionales hace que este modelo sea más adecuado para tareas de modelado de secuencias espaciotemporales en dispositivos NISQ.