Con el desarrollo de estrategias de gestión predictiva para redes de distribución de energía, se necesita información confiable sobre la generación de energía fotovoltaica esperada, que se puede derivar de pronósticos de irradiancia horizontal global (GHI). En los últimos años, las técnicas de aprendizaje automático para la predicción de GHI han demostrado ser superiores a los enfoques clásicos. Este trabajo aborda el tema de la predicción de GHI a múltiples horizontes utilizando regresión de procesos gaussianos (GPR) y propone un estudio en profundidad sobre algunas preguntas abiertas: ¿deberían elegirse el tiempo o las observaciones pasadas de GHI como entrada? ¿Cuáles son los núcleos apropiados en cada caso? ¿Debería el modelo ser de múltiples horizontes o específico para un horizonte? Primero se realiza una comparación entre modelos GPR basados en el tiempo y modelos GPR basados en observaciones, junto con una discusión sobre el mejor núcleo a elegir; luego se lleva a cabo una comparación entre modelos GPR específicos para un horizonte y modelos GPR de múltiples horizontes. Los resultados de la predicción obtenidos también se comparan con los del modelo de persistencia escalada. Se consideran cuatro criterios de rendimiento y cinco horizontes de predicción (10 min, 1 h, 3 h, 5 h y 24 h) para evaluar a fondo los resultados de la predicción. Se observa que, al buscar modelos de múltiples horizontes, se favorece el uso de un núcleo cuasiperiódico y el tiempo como entrada, mientras que el mejor modelo específico para un horizonte utiliza un núcleo cuadrático racional de determinación de relevancia automática y observaciones pasadas de GHI como entrada. En última instancia, la elección depende de la complejidad y las limitaciones computacionales de la aplicación en cuestión.