La temperatura central y cutánea humanas (T y T) son indicadores cruciales de la salud humana y se utilizan comúnmente en el diagnóstico de varios tipos de enfermedades. Este estudio presenta un modelo de aprendizaje profundo que combina un método de pronóstico de series a largo plazo con técnicas de aprendizaje por transferencia, capaz de realizar predicciones precisas y personalizadas de T y T en entornos de alta temperatura con solo un pequeño corpus de datos de entrenamiento reales. Para validar prácticamente el modelo, se realizaron experimentos de campo en entornos complejos y se realizó un análisis exhaustivo de los efectos de tres estrategias de entrenamiento diversas en el rendimiento general del modelo. El análisis comparativo reveló que el método de entrenamiento optimizado mejoró significativamente la precisión de las predicciones para pronósticos de hasta 10 minutos en el futuro. Específicamente, el enfoque de preentrenar el modelo en muestras de distribución seguido de un ajuste fino superó notablemente a otros métodos en términos de precisión de predicción, con un error de predicción para T dentro de +/-0.14 gradosC y T dentro de +/-0.46 gradosC. Este estudio proporciona un enfoque viable para la predicción precisa y en tiempo real de T y T, ofreciendo un sólido respaldo para avanzar en la investigación de alerta temprana de la salud térmica humana.