Los problemas de optimización dinámica multiobjetivo (DMOPs) han sido de interés para muchos investigadores. Estos son problemas en los que el entorno cambia durante el proceso evolutivo, como el conjunto óptimo de Pareto (POS) o el frente óptimo de Pareto (POF). Este tipo de problema impone más desafíos y dificultades para los algoritmos evolutivos, principalmente porque exige que la población siga eficiente y precisamente el cambio de POF. En este documento, proponemos un nuevo enfoque que combina el aprendizaje de transferencia basado en puntos clave y estrategias de predicción híbridas (KPTHP). En particular, el proceso de transferencia combina estrategias predictivas con la obtención de puntos clave anticipados dependiendo de los momentos previos para adquirir los individuos óptimos en la nueva instancia durante la evolución. Además, la predicción basada en puntos centrales se utiliza para complementar el aprendizaje de transferencia y generar de manera integral poblaciones iniciales. KPTHP y seis algoritmos de vanguardia se prueban en varias funciones de prueba para las métricas MIGD, DMIGD, MMS y HVD. KPTHP obtiene resultados superiores en la mayoría de las funciones probadas, lo que muestra que nuestro algoritmo se desempeña excelente tanto en convergencia como en diversidad, con mayor competitividad para abordar problemas dinámicos.