Debido al mal ambiente dentro de las casas de engorde de cerdos debido a la alta humedad, gas amoníaco y polvo fino, es difícil acumular datos fiables a largo plazo utilizando sensores. Por lo tanto, es necesario llevar a cabo investigaciones para completar los datos ambientales faltantes dentro de las casas de engorde de cerdos. Por lo tanto, esta investigación tuvo como objetivo desarrollar un modelo para predecir los datos faltantes de la temperatura del aire dentro de las casas de engorde de cerdos utilizando un modelo de memoria a corto y largo plazo (LSTM), que es uno de las redes neuronales artificiales (ANNs). En primer lugar, se monitorearon los datos ambientales internos y externos de la casa de engorde de cerdos para desarrollar los modelos LSTM para el relleno de los datos faltantes y validar el modelo LSTM desarrollado. El modelo LSTM para el relleno de los datos faltantes se desarrolló aprendiendo la temperatura medida dentro de la casa de cerdos. El modelo LSTM desarrollado en este estudio fue validado comparando los datos de temperatura del aire predichos por el modelo LSTM con los datos de temperatura del aire medidos en la casa de engorde de cerdos. El modelo LSTM fue preciso dentro de una tasa de error del 3.5% para la temperatura interna del aire. Finalmente, la precisión y aplicabilidad del modelo LSTM desarrollado fueron evaluadas de acuerdo con el orden de aprendizaje de datos y la longitud de los datos faltantes. En el futuro, para las tecnologías de la información y comunicación (TIC) y la convergencia y aplicación de granjas inteligentes, los modelos LSTM desarrollados en este estudio pueden contribuir a la acumulación de datos fiables a largo plazo en la casa de engorde de cerdos.