Los sistemas autoadaptativos pueden ajustar autónomamente su comportamiento en respuesta a los cambios ambientales. Hoy en día, no solo estos sistemas pueden ser diseñados individualmente, sino que también pueden ser concebidos como miembros de una familia basados en el enfoque de líneas de productos de software dinámicas. A través de un mapeo sistemático, nos basamos en las brechas identificadas en la gestión de la variabilidad de los sistemas autoadaptativos; proponemos un marco que mejora la capacidad adaptativa de los sistemas autoadaptativos a través de la generación de modelos de características, la generación de puntos de variación, la selección de un punto de variación y la gestión de la variabilidad en tiempo de ejecución utilizando aprendizaje profundo y el bucle de control monitor-análisis-plan-ejecución-conocimiento (MAPE-K). Calculamos la permutación de las características de dominio y obtenemos todos los posibles puntos de variación que un modelo de características puede poseer. Después de identificar los puntos de variación, obtenemos una regla de adaptación para cada punto de variación de la línea de productos correspondiente a través de un entrenamiento de dos etapas de una red neuronal artificial. Para evaluar nuestra propuesta, desarrollamos un caso de prueba en el contexto de un sistema recomendador de actividades basado en la calidad del aire, en el cual generamos 11 características y 32 posibles variaciones. Los resultados obtenidos con la prueba de concepto muestran que es posible gestionar la identificación de nuevos puntos de variación en tiempo de ejecución utilizando el aprendizaje profundo. Investigaciones futuras emplearán la generación y construcción de puntos de variación utilizando técnicas de inteligencia artificial.