Los invernaderos hidropónicos interiores están ganando cada vez más popularidad para la producción de alimentos sostenibles. Por otro lado, el control preciso de las condiciones climáticas dentro de estos invernaderos es crucial para el éxito de los cultivos. Los modelos de aprendizaje profundo de series temporales son adecuados para las predicciones climáticas en invernaderos hidropónicos interiores, pero se necesita un análisis comparativo de estos modelos en diferentes intervalos de tiempo. Este estudio evaluó el rendimiento de tres modelos de aprendizaje profundo comúnmente utilizados para la predicción climática en un invernadero hidropónico interior: Red Neuronal Profunda, Memoria a Largo y Corto Plazo (LSTM) y Red Neuronal Convolucional 1D. El rendimiento de estos modelos se comparó en cuatro intervalos de tiempo (1, 5, 10 y 15 min) utilizando un conjunto de datos recopilados durante una semana a intervalos de un minuto. Los resultados experimentales mostraron que los tres modelos tienen un buen desempeño en la predicción de la temperatura, la humedad y la concentración de CO en un invernadero. El rendimiento de los modelos varió en diferentes intervalos de tiempo, siendo el modelo LSTM el que superó a los otros modelos en intervalos de tiempo más cortos. Aumentar el intervalo de tiempo de 1 a 15 min afectó negativamente el rendimiento de los modelos. Este estudio proporciona información sobre la efectividad de los modelos de aprendizaje profundo de series temporales para las predicciones climáticas en invernaderos hidropónicos interiores. Los resultados destacan la importancia de elegir el intervalo de tiempo adecuado para predicciones precisas. Estos hallazgos pueden guiar el diseño de sistemas de control inteligentes para invernaderos hidropónicos interiores y contribuir al avance de la producción de alimentos sostenibles.