Las series temporales son una forma común de datos, que son de gran importancia en múltiples campos. Las series temporales multivariadas cuya relación de dimensión es indeterminada son particularmente comunes dentro de estas. Para las series temporales multivariadas, propusimos un modelo de estructura de doble rama, compuesto por una rama de atención y una rama de convolución, respectivamente. El algoritmo propuesto en nuestro trabajo se implementa para optimización de cálculo personalizado y se despliega en el dispositivo Xilinx Ultra 96V2. Los resultados comparativos con otros algoritmos de series temporales de última generación en conjuntos de datos públicos indican que el método propuesto logra un rendimiento óptimo. El consumo de energía del sistema es de 6.38 W, que es 47.02 veces menor que el de una GPU.