La contaminación del aire causa millones de muertes prematuras al año debido a su fuerte asociación con varias enfermedades y afecciones respiratorias. En consecuencia, se han implementado sistemas de monitoreo y pronóstico de la calidad del aire en grandes áreas urbanas. Sin embargo, esos sistemas pronostican la calidad del aire exterior mientras que las personas que viven en ciudades relativamente grandes pasan la mayor parte de su tiempo en interiores. Por lo tanto, este trabajo propone un sistema de pronóstico de la calidad del aire interior, que fue entrenado con datos de la Ciudad de México y que está respaldado por arquitecturas de aprendizaje profundo. La novedad de nuestro trabajo es que pronosticamos un índice de calidad del aire interior, teniendo en cuenta datos estacionales para múltiples horizontes en términos de minutos; mientras que trabajos relacionados se centran principalmente en pronosticar niveles de concentración de contaminantes para un horizonte de pronóstico único y relativamente grande, utilizando datos de un período corto de tiempo. Para encontrar el mejor modelo de pronóstico, realizamos una extensa experimentación que involucró 133 modelos de aprendizaje profundo. Las arquitecturas de aprendizaje profundo exploradas fueron perceptrones multicapa, redes neuronales de memoria a largo y corto plazo, redes neuronales convolucionales de 1 dimensión y arquitecturas híbridas, de las cuales LSTM se destacó como la arquitectura de mejor rendimiento. Los modelos fueron entrenados utilizando (i) datos de contaminación del aire exterior, (ii) datos meteorológicos disponibles públicamente y (iii) datos recolectados de un sensor de calidad del aire interior que fue instalado en una casa ubicada en un vecindario central de la Ciudad de México durante 17 meses. Nuestros resultados empíricos muestran que los modelos de aprendizaje profundo pueden pronosticar un índice de calidad del aire interior basado en niveles de concentración exterior de contaminantes junto con variables meteorológicas interiores y exteriores. Además, nuestros hallazgos muestran que el método propuesto tiene un error cuadrático medio de 0.0179 y un error absoluto medio de 0.1038. También notamos que 5 meses de datos históricos son suficientes para un entrenamiento preciso de los modelos de pronóstico, y que modelos poco profundos con alrededor de 50,000 parámetros tienen suficiente poder predictivo para esta tarea.