En el problema de control de contención de sistemas de múltiples agentes (MASs), la convergencia de los seguidores siempre es una amenaza potencial para la seguridad de las operaciones del sistema. Desde la perspectiva de la topología del sistema, las propiedades inherentemente no lineales de la conectividad algebraica de la red seguidor-seguidor (F2F), combinadas con la influencia de la topología líder-seguidor (L2F) en el sistema, hacen difícil diseñar las posiciones de convergencia de los seguidores a través de un mero análisis matemático. Por lo tanto, en el contexto de tareas temporales de redes para sistemas a gran escala, para lograr el objetivo de predecir el rendimiento de todo el sistema cuando la red se completa solo con información local, este artículo investiga la aplicación y efectividad de las redes neuronales recurrentes (RNNs) en la identificación del rendimiento del sistema de control de contención, mejorando así la eficiencia de la red del sistema mientras se asegura la seguridad del sistema. Se desarrollan dos tipos de modelos de identificación basados en dos tipos de redes neuronales (NNs), MLP y RNN estándar, según el rango de información requerida para la identificación del rendimiento. La evaluación de los modelos se lleva a cabo mediante el coeficiente de determinación () y el error cuadrático medio (RMSE). Los resultados muestran que cada modelo puede producir una mejor precisión de pronóstico que los otros modelos en casos específicos, con modelos basados en RNN estándar que poseen errores más pequeños. Con el método propuesto, la identificación del modelo puede lograrse, pero el desarrollo en profundidad del modelo en estudios futuros sigue siendo necesario para mejorar la precisión del modelo.