La salud y la productividad de los conejos son altamente sensibles a las condiciones ambientales dentro de la casa de conejos, particularmente a las fluctuaciones y desviaciones en la temperatura, la humedad relativa y la concentración de dióxido de carbono (CO). Sin embargo, debido a la inercia térmica y los efectos de evaporación residual inherentes a los sistemas de ventilación y refrigeración, los cambios ambientales a menudo exhiben respuestas retrasadas, lo que hace que el control en tiempo real sea inadecuado. La predicción precisa de los parámetros ambientales clave es indispensable para formular estrategias efectivas de control ambiental, ya que permite considerar sus dinámicas futuras y, por lo tanto, mejora la racionalidad de la regulación en la cría de conejos. Los modelos de predicción existentes a menudo exhiben una precisión insatisfactoria y una débil generalización, lo que restringe la incorporación de la predicción en estrategias efectivas de control ambiental. Para abordar estas limitaciones, se recopilaron datos ambientales de verano en interiores y exteriores de casas de conejos en Nanping, Fujian; Jiyuan, Henan; y Qingyang, Gansu, China, tres regiones climáticamente distintas, formando tres conjuntos de datos. Basado en estos conjuntos de datos, se introduce un modelo de predicción de series temporales multiparamétrico, Patch and Cross-Attention Enhanced Transformer for Rabbit House Prediction (PatchCrossFormer-RHP), que integra mecanismos de parcheo y atención. El modelo divide las secuencias de temperatura, humedad relativa y concentración de CO de la casa de conejos en parches e incorpora parámetros auxiliares, como la velocidad del aire interior y la temperatura y humedad exteriores, para mejorar la representación de características. Además, aplica atención cruzada con codificación diferenciada para desentrañar las relaciones multiparamétricas y mejorar el rendimiento predictivo. Este estudio utilizó el conjunto de datos de Fujian como referencia principal. En este conjunto de datos, PatchCrossFormer-RHP logró valores de error cuadrático medio (RMSE) de 0.290 grados Celsius, 1.554% y 38.837 ppm para la temperatura, la humedad y la concentración de CO de la casa de conejos, respectivamente, con valores R correspondientes de 0.963, 0.956 y 0.838, superando consistentemente a RNN, GRU y LSTM. Experimentos de transferencia con preentrenamiento de fuente única y múltiple seguidos de ajuste fino en Fujian demostraron que se puede lograr una fuerte generalización entre regiones con solo datos limitados del dominio objetivo.