El control de plagas en edificios industriales, como silos y almacenes, es fundamental para mantener la seguridad alimentaria y la estabilidad económica. Los métodos tradicionales como la fumigación enfrentan desafíos, incluida la resistencia de los insectos y las preocupaciones ambientales, lo que motiva la necesidad de enfoques alternativos. Los tratamientos térmicos han surgido como una solución efectiva y respetuosa con el medio ambiente, pero optimizar su duración y eficiencia sigue siendo un desafío. Este estudio utiliza el aprendizaje automático (ML) para predecir la duración de los tratamientos térmicos necesarios para un control efectivo de plagas en varios edificios industriales. Usando un conjunto de datos de 1423 series temporales de tratamientos térmicos recopilados de dispositivos IoT, aplicamos análisis exploratorio de datos (EDA) y modelos de ML, incluidos bosques aleatorios, XGBoost, regresión de crestas y regresión de vectores de soporte (SVR), para predecir el tiempo necesario para alcanzar los 50 gradosC, un umbral crítico para la mortalidad de plagas. Los resultados revelaron variaciones significativas en la efectividad del tratamiento según el tipo de edificio, la ubicación geográfica y la temperatura ambiente. Los modelos XGBoost y bosques aleatorios superaron a los demás, logrando una alta precisión predictiva. Los hallazgos resaltan la importancia de protocolos de tratamiento térmico personalizados y el potencial de enfoques basados en datos para optimizar estrategias de control de plagas, reducir el consumo de energía y mejorar la eficiencia operativa en entornos industriales. Este estudio subraya el valor de integrar IoT y ML para monitoreo en tiempo real y control adaptativo en el manejo de plagas.