El viento ofrece un recurso energético ambientalmente sostenible que ha experimentado un aumento en su adopción global en los últimos años. Sin embargo, su naturaleza intermitente, inestable y estocástica dificulta su representación entre otras fuentes de energía renovable. Este trabajo aborda la predicción de la velocidad del viento, un dato primario necesario para la generación de energía eólica, utilizando datos obtenidos del Proyecto del Atlas Eólico Sudafricano. La predicción se realiza en un horizonte temporal de dos días. Investigamos el rendimiento predictivo de redes neuronales artificiales (ANN) entrenadas con regularización bayesiana, refuerzo estocástico basado en árboles de decisión (SGB) y modelos aditivos generalizados (GAM). Los resultados del análisis comparativo sugieren que las ANN muestran un rendimiento predictivo superior basado en el error cuadrático medio (RMSE). En contraste, SGB muestra un rendimiento superior en términos de error promedio (MAE) y el error porcentual promedio relacionado (MAPE). Una comparación adicional de dos métodos de combinación de pronósticos que involucran el promedio de regresión cuantil lineal y aditiva muestra que el último método de combinación de pronósticos resulta en una menor precisión de predicción. Los intervalos de predicción basados en el promedio de regresión cuantil aditiva también muestran un rendimiento superior en términos de validez, confiabilidad, calidad y precisión. Los métodos de combinación de intervalos muestran que el método de la mediana es mejor que su contraparte de promedio puro. Se encontró que la combinación de pronósticos puntuales y los métodos de pronóstico de intervalos mejoran el rendimiento del pronóstico.