Los incendios forestales representan una amenaza seria para los ecosistemas y la seguridad humana, y con el telón de fondo del cambio climático global, la predicción de incendios forestales se ha vuelto cada vez más importante. Los métodos tradicionales de aprendizaje automático enfrentan desafíos en la predicción de incendios forestales, como la dificultad para identificar parámetros de características, la intervención manual en la selección de modelos y la optimización de hiperparámetros, lo que afecta la precisión y eficiencia de las predicciones. Este estudio propone un marco analítico para la predicción de incendios forestales basado en la tecnología de Aprendizaje Automático Automatizado (AutoML) para abordar los desafíos que enfrentan los métodos tradicionales de aprendizaje automático en la predicción de incendios forestales. Recopilamos datos meteorológicos, topográficos y de vegetación de la provincia de Guangxi, con datos meteorológicos que abarcan desde 1994 hasta 2023, proporcionando información de fondo integral para nuestro modelo de predicción. Utilizando el modelo de predicción, que fue construido con el marco AutoGluon, los resultados experimentales indican que los modelos bajo el marco AutoGluon (por ejemplo, el clasificador KNeighborsDist) superan significativamente a los modelos tradicionales de aprendizaje automático en términos de precisión, exactitud, recuperación y F1-Score, con la tasa de precisión más alta alcanzando 0.960. El análisis de errores del modelo muestra que los modelos bajo el marco AutoGluon tienen un mejor desempeño en el control de errores. Este estudio proporciona un método eficiente y preciso para la predicción de incendios forestales, lo cual es de gran importancia para la toma de decisiones en la gestión de incendios forestales y para la protección de los recursos forestales y la seguridad ecológica.