La serie temporal de precios agrícolas muestra brevedad y considerable volatilidad. Considerando que los modelos tradicionales de series temporales y los modelos de aprendizaje automático enfrentan desafíos para hacer predicciones con alta precisión y robustez, este artículo propone un modelo de máquina de refuerzo de gradiente ligero basado en el algoritmo de aprendizaje de conjunto de refuerzo para predecir precios de tres tipos representativos de productos agrícolas frescos (plátanos, carne de res, carpa cruciana). El rendimiento de predicción del modelo de máquina de refuerzo de gradiente ligero se evalúa comparándolo con varios modelos de referencia (ARIMA, árbol de decisión, bosque aleatorio, máquina de vectores de soporte, XGBoost y red neuronal artificial) en términos de precisión, generalización y robustez en diferentes conjuntos de datos y bajo diferentes ventanas de tiempo. Entre estos modelos, se muestra que el modelo de máquina de refuerzo de gradiente ligero tiene la mayor precisión de predicción y el rendimiento más estable en tres conjuntos de datos diferentes bajo ventanas de tiempo tanto a largo plazo como a corto plazo. A medida que aumenta la longitud de la ventana de tiempo, el modelo de máquina de refuerzo de gradiente ligero se vuelve más ventajoso para reducir efectivamente la fluctuación del error, demostrando una mejor robustez. En consecuencia, el modelo propuesto en este artículo tiene un gran potencial para predecir los precios de productos agrícolas frescos, facilitando así el avance de las prácticas agrícolas precisas y sostenibles.