La precipitación es un tema muy importante en los pronósticos del tiempo. Los pronósticos del tiempo, especialmente la predicción de la precipitación, plantean tareas complejas porque dependen de varios parámetros para predecir las variables dependientes como la temperatura, la humedad, la velocidad y dirección del viento, que cambian de vez en cuando y el cálculo del clima varía con la ubicación geográfica junto con sus variables atmosféricas. Para mejorar la precisión de la predicción de la precipitación, este contexto propone un modelo de predicción para el pronóstico de lluvias basado en Máquina de Vectores de Soporte con Optimización de Enjambre de Partículas (PSO-SVM) para reemplazar el umbral lineal utilizado en la precipitación tradicional. La selección de parámetros tiene un impacto crítico en la precisión predictiva de SVM, y se propone PSO para encontrar los parámetros óptimos para SVM. El algoritmo PSO-SVM se utilizó para el entrenamiento de un modelo utilizando los datos históricos para la predicción de la precipitación, que puede ser información útil y utilizada por personas de todos los ámbitos de la vida para tomar decisiones sabias e inteligentes. Las simulaciones demuestran que los modelos de predicción indican que el rendimiento del algoritmo propuesto tiene una precisión mucho mejor que el modelo de predicción directa basado en un conjunto de datos experimentales si todo lo demás es igual. Por otro lado, los resultados de la simulación demuestran la efectividad y ventajas del modelo SVM-PSO utilizado en el aprendizaje automático y prometen aún más posibilidades de mejora a medida que se pueden utilizar más atributos relevantes en la predicción de las variables dependientes.