La predicción precisa de la precipitación sigue siendo un desafío crítico debido a la naturaleza no lineal y multifactorial de la dinámica de la lluvia. Esto es particularmente importante en regiones áridas como Tamanghasset, donde la precipitación es el principal motor de la viabilidad agrícola y la gestión de recursos hídricos. Este estudio evalúa el rendimiento de varios modelos de series temporales para la predicción mensual de la lluvia, incluidos el promedio móvil integrado autorregresivo (ARIMA), el modelo de suavizado exponencial en espacio de estado (ETS), la descomposición estacional y de tendencia utilizando Loess con ETS (STL-ETS), la transformación trigonométrica de Box-Cox con errores ARMA, los componentes de tendencia y estacionales (TBATS) y los modelos autorregresivos de redes neuronales (NNAR). Se utilizaron datos históricos de precipitación mensual desde 1953 hasta 2020 para entrenar y probar los modelos, con observaciones rezagadas como características de entrada. Entre los enfoques considerados, el modelo NNAR mostró un rendimiento superior, como lo indican los residuos no correlacionados y la mayor precisión en las predicciones. Esto sugiere que NNAR captura eficazmente los patrones temporales no lineales inherentes a la serie de precipitación. Basado en el modelo de mejor rendimiento, se proyectó la lluvia para el año 2021, proporcionando información útil para la planificación hidrológica y agrícola regional. Los resultados destacan la relevancia de los modelos de series temporales basados en redes neuronales para la predicción climática en regiones sensibles al clima y con escasez de datos.