Desarrollamos un modelo de predicción del entorno interno para invernaderos inteligentes utilizando modelos de aprendizaje automático. Los modelos de aprendizaje automático se desarrollaron encontrando ciertas reglas basadas en los datos obtenidos del sistema objetivo y tienen la ventaja de aprender diversas características que son difíciles de definir teóricamente. Sin embargo, la precisión y la precisión del modelo pueden cambiar según la estructura del modelo (hiperparámetros, algoritmos, época) y las características de los datos. En este estudio, se realizó un análisis según las características de los datos meteorológicos recopilados. El rendimiento del modelo fue bajo cuando la cantidad de datos de entrenamiento se obtuvo en menos de tres días (4320 unidades). El rendimiento del modelo mejoró con un aumento en la cantidad de datos de entrenamiento. El rendimiento del modelo se estabilizó cuando el volumen de datos de entrenamiento superó los siete días (10,080 unidades). La cantidad óptima de datos se determinó entre tres y siete días, con un modelo promedio r de 0.8811 y un RMSE de 2.056 para el algoritmo de unidad recurrente con compuertas. Este estudio verificó la posibilidad de desarrollar un modelo predictivo para el entorno interno de un invernadero basado en datos meteorológicos externos. Este estudio está limitado a un invernadero objetivo específico, y se necesita un análisis adicional de datos de varios invernaderos y climas para lograr una optimización global.