La predicción precisa del tiempo de ciclo (CT) de la fabricación de obleas sigue siendo una tarea difícil, ya que el nivel del sistema de trabajo en proceso (WIP) es fluctuante. Con el objetivo de construir un modelo unificado de pronóstico de CT bajo niveles dinámicos de WIP, este artículo propone un método de aprendizaje por transferencia para ajustar finamente jerárquicamente la red neuronal predicha. En primer lugar, se construyó una red neuronal convolucional bidimensional (2D) para predecir el CT bajo un nivel primario de WIP con la entrada de características espacio-temporales reorganizando los parámetros de entrada. Luego, para predecir el CT bajo otro nivel de WIP, se diseñó una estrategia jerárquica de aprendizaje por transferencia de optimización para ajustar finamente el modelo de predicción con el fin de mejorar la precisión del pronóstico de CT. Los resultados experimentales demostraron que el enfoque jerárquico de aprendizaje por transferencia supera a los métodos comparados en el pronóstico de CT con la fluctuación de los niveles de WIP.