Para mejorar la precisión de la predicción y la eficiencia computacional de los datos de secuencias caóticas, es necesario abordar problemas como la explosión del gradiente y el largo tiempo de computación de los métodos tradicionales. En este artículo, se propone un algoritmo mejorado de Optimización por Enjambre de Partículas (PSO) y una red neuronal de Memoria a Largo y Corto Plazo (LSTM) para la predicción caótica. Se introduce el mecanismo de atención de patrones temporales (TPA) para extraer los pesos y la información clave de cada característica de entrada, asegurando la naturaleza temporal de los datos históricos caóticos. Además, se emplea el algoritmo PSO para optimizar los hiperparámetros (tasa de aprendizaje, número de iteraciones) de la red LSTM, lo que resulta en un modelo óptimo para la predicción de datos caóticos. Finalmente, la validación se lleva a cabo utilizando datos caóticos generados a partir de tres valores iniciales diferentes del sistema de Lorenz. El error cuadrático medio (RMSE) se reduce en 0.421, el error absoluto medio (MAE) se reduce en 0.354, y el coeficiente de determinación (R) mejora en 0.4. La red propuesta demuestra una buena adaptabilidad a datos caóticos complejos, superando la precisión de los modelos LSTM y PSO-LSTM, logrando así una mayor precisión en la predicción.