La predicción de series temporales multivariables ha sido ampliamente estudiada en energía eléctrica, aerología, meteorología, finanzas, transporte, etc. Los métodos de modelado tradicionales tienen patrones complejos y son ineficientes para capturar dependencias multivariadas a largo plazo de los datos para lograr la precisión deseada en la predicción. Para abordar tales preocupaciones, se proponen varios modelos de aprendizaje profundo basados en métodos de Redes Neuronales Recurrentes (RNN) y Redes Neuronales Convolucionales (CNN). Para mejorar la precisión de la predicción y minimizar la dependencia de los datos de series temporales multivariables para datos aperiódicos, en este artículo, se analizan los conjuntos de datos de PM2.5 de Beijing y ISO-NE mediante un novedoso modelo de Red de Convolución Temporal Multivariable (M-TCN). En este modelo, la predicción de series temporales multivariables se construye como un escenario de secuencia a secuencia para conjuntos de datos no periódicos. Se propone bloques residuales multicanal en paralelo con estructura asimétrica basada en una red neuronal convolucional profunda. Los resultados se comparan con algoritmos competitivos como memoria a corto plazo (LSTM), LSTM convolucional (ConvLSTM), Red de Convolución Temporal (TCN) y LSTM-FCN de Atención Multivariable (MALSTM-FCN), lo que indica una mejora significativa en la precisión de la predicción, la robustez y la generalización de nuestro modelo.