Predecir la cantidad de ventilación natural utilizando datos ambientales como la presión diferencial, el viento, la temperatura y la humedad con sensores de IoT es un tema importante para el control óptimo de HVAC para mantener una calidad de aire confortable. Recientemente, se ha llevado a cabo investigaciones utilizando aprendizaje profundo para proporcionar una alta precisión en la predicción de ventilación natural. Por lo tanto, se requiere una alta fiabilidad de los datos de los sensores de IoT para lograr predicciones exitosas. Sin embargo, es prácticamente difícil predecir el NVR preciso en un entorno de medición incorrecta, ya que se recopilan datos inexactos de los sensores de IoT, por ejemplo, debido a un mal funcionamiento del sensor. Por lo tanto, necesitamos una forma de proporcionar una alta precisión en la predicción del NVR basada en aprendizaje profundo en entornos de medición incorrecta. En este estudio, para superar la degradación de la precisión debido a mediciones incorrectas, utilizamos datos auxiliares complementarios generados por aprendizaje semi-supervisado y seleccionados por análisis de importancia. Es decir, el modelo de predicción de NVR se entrena de manera confiable mediante la generación y selección de datos auxiliares, y luego se predice la ventilación natural con la integración de mediciones incorrectas y auxiliares mediante un enfoque de conjunto basado en bagging. Basándonos en los resultados experimentales, confirmamos que el método propuesto mejoró la precisión de la predicción de la tasa de ventilación natural en un 25% en comparación con el enfoque base. En el contexto de la predicción de ventilación natural basada en aprendizaje profundo utilizando diversos datos de sensores de IoT, abordamos el problema de la medición incorrecta generando datos auxiliares que utilizan las características de cambio rápido o lento de los datos de los sensores, lo que puede mejorar la fiabilidad de los datos de observación.