El control de los motores de combustión interna se está volviendo cada vez más desafiante debido a los requisitos del cliente para un rendimiento creciente y regulaciones de emisiones cada vez más estrictas. Por lo tanto, se requieren esfuerzos computacionales significativos para gestionar la gran cantidad de datos provenientes del campo para la optimización del motor, lo que lleva a un aumento en los tiempos y costos operativos. Las técnicas de aprendizaje automático se están utilizando cada vez más en el campo automotriz como sensores virtuales, sistemas de detección de fallas y aplicaciones de optimización del rendimiento por su implementación en tiempo real y bajo costo. Entre ellas, la combinación de memoria a largo y corto plazo (LSTM) junto con redes neuronales convolucionales unidimensionales (1DCNN), es decir, LSTM + 1DCNN, ha demostrado ser una herramienta prometedora para el análisis de señales. La arquitectura aprovecha la característica de la CNN para combinar la clasificación y extracción de características, creando un único cuerpo de aprendizaje adaptativo con la capacidad de LSTM para seguir la naturaleza secuencial de las mediciones de los sensores a lo largo del tiempo. El enfoque de investigación actual se centra en evaluar la posibilidad de integrar sensores virtuales en el sistema de control a bordo. Específicamente, el objetivo principal es evaluar y aprovechar el potencial de las tecnologías avanzadas de aprendizaje automático para reemplazar los sensores físicos. Para lograr este objetivo, el presente trabajo establece el primer paso al evaluar el rendimiento de pronóstico de una arquitectura LSTM + 1DCNN. Se utilizan datos experimentales provenientes de un motor de encendido por chispa de tres cilindros bajo diferentes condiciones de operación para predecir las trazas de presión en el cilindro del motor. Dado que el uso de transductores de presión en el cilindro en automóviles de carretera no es económicamente viable, adoptar tecnologías avanzadas de aprendizaje automático se vuelve crucial para evitar modificaciones estructurales mientras se preserva la integridad del motor. Los resultados muestran que LSTM + 1DCNN es particularmente adecuado para la predicción de señales caracterizadas por una mayor variabilidad. En particular, supera consistentemente a otras arquitecturas utilizadas con fines comparativos, logrando porcentajes de error promedio por debajo del 2%. A medida que aumenta la variabilidad de ciclo a ciclo, LSTM + 1DCNN alcanza porcentajes de error promedio por debajo del 1.5%, demostrando el potencial de la arquitectura para reemplazar sensores físicos.