Es difícil predecir los precios de las verduras debido a que son afectados por numerosos factores, como el clima y la producción de cultivos, y los datos de series temporales tienen características fuertemente no lineales y no estacionarias. Para abordar estos problemas, proponemos el modelo STL-ATTLSTM (STL basado en atención y LSTM), que integra la descomposición de tendencias estacionales utilizando el método de preprocesamiento Loess (STL) y un mecanismo de atención basado en memoria a corto y largo plazo (LSTM). El STL-ATTLSTM propuesto pronostica los precios mensuales de las verduras utilizando varios tipos de información, como los precios de las verduras, la información meteorológica de las principales áreas de producción y los volúmenes de intercambio en el mercado. El método STL descompone los datos de precios de verduras de series temporales en componentes de tendencia, estacionalidad y resto. Utiliza el componente de resto al eliminar los componentes de tendencia y estacionalidad. En el proceso de entrenamiento del modelo, se asignan pesos de atención a todas las variables de entrada; por lo tanto, el rendimiento de predicción del modelo mejora al centrarse en las variables que afectan los resultados de la predicción. El STL-ATTLSTM propuesto se aplicó a cinco cultivos, a saber, repollo, rábano, cebolla, pimiento picante y ajo, y su rendimiento se comparó con tres modelos de referencia (es decir, LSTM, atención LSTM y STL-LSTM). Los resultados de rendimiento muestran que el modelo LSTM combinado con el método STL (STL-LSTM) logró una precisión de predicción un 12% mayor que el modelo de atención LSTM que no utilizó el método STL y resolvió el rezago de predicción que surge de la alta estacionalidad. El modelo de atención LSTM mejoró la precisión de predicción aproximadamente en un 4% a 5% en comparación con el modelo LSTM. El modelo STL-ATTLSTM logró el mejor rendimiento, con un error cuadrático medio (RMSE) promedio de 380 y un error porcentual absoluto medio (MAPE) promedio de 7%.