Este artículo propone una novedosa arquitectura troncal, la Red de Fusión de Evidencia Temporal (TEFN), que combina precisión y eficiencia en la predicción de series temporales. TEFN captura la incertidumbre tanto en la dimensión de canal como en la temporal de datos multivariados de series temporales mediante la introducción de un módulo de Asignación de Probabilidad por Defecto (BPA) basado en la teoría de la evidencia. Posteriormente, desarrollamos un novedoso método de fusión multiinformación que integra eficazmente la información de ambas dimensiones a partir de la salida de BPA, mejorando así la precisión de la predicción. Los resultados experimentales demuestran que TEFN alcanza un rendimiento comparable al de los métodos más avanzados, a la vez que reduce significativamente la complejidad y el tiempo de entrenamiento. Además, TEFN exhibe una alta robustez al minimizar la varianza del error durante la selección de hiperparámetros, y su BPA derivada de la teoría difusa proporciona una alta interpretabilidad. Por lo tanto, TEFN es una solución deseable para la predicción de series temporales que equilibra precisión, eficiencia, robustez e interpretabilidad.
