La industria del pato ocupa el sexto lugar como una de las industrias principales de más rápido crecimiento para la producción de ganado en Corea del Sur. Sin embargo, hay pocos estudios que predigan cuantitativamente el ambiente térmico y de humedad interno de las casas de patos. En este estudio, se utilizaron modelos de redes neuronales recurrentes (RNN) de alta precisión para predecir la temperatura del aire interno y la humedad relativa de las casas de patos ventiladas mecánica y naturalmente. Los modelos se desarrollaron según el tipo de casas de patos, las estaciones y las variables ambientales al aprender los datos de monitoreo de los entornos interno y externo. La longitud óptima de secuencia de datos de aprendizaje para el desarrollo del modelo RNN fue seleccionada como 120 min. Como resultado de la validación, tanto la temperatura del aire como la humedad relativa pudieron predecirse con precisión dentro de un error del 1%. Además, se desarrollaron modelos RNN simplificados aprendiendo solo de los datos de temperatura del aire externo, humedad relativa y peso del pato, que son relativamente fáciles de adquirir en las granjas. La precisión de los modelos RNN simplificados fue similar al modelo básico para predecir la temperatura del aire interno y la humedad relativa de las casas de patos en tiempo real. En el futuro, para la convergencia de las tecnologías de la información y las comunicaciones (TIC) y la aplicación de granjas inteligentes en las casas de patos, los modelos RNN de las casas de patos desarrollados en este estudio pueden aplicarse para predecir y controlar los entornos internos de las casas de patos utilizando la técnica de control predictivo del modelo (MPC).