El uso de un modelo de control predictivo para sistemas de gestión de energía se está volviendo más popular. Estos sistemas controlan el rendimiento del edificio basándose en un pronóstico del control basado en un modelo de edificio. Las incertidumbres en la operación del edificio son un problema importante en el uso del modelo de control predictivo, ya que disminuyen la precisión del pronóstico. Esto incluye los requisitos térmicos variables del usuario. El objetivo de esta tesis es desarrollar un predictor de temperatura de confort para sistemas HVAC controlables individualmente en función de las condiciones climáticas utilizando técnicas de inteligencia artificial. Para este propósito, se presentan los fundamentos del confort interior y el aprendizaje automático y aprendizaje profundo. Se revisan las tendencias recientes en la investigación sobre inteligencia artificial en edificios. Se explica la metodología para desarrollar y probar el predictor de temperatura de confort. Posteriormente se describen los resultados de pronosticar la temperatura de confort y el impacto energético del predictor. Los resultados muestran que las herramientas de regresión de aprendizaje automático y aprendizaje profundo pueden predecir las temperaturas de confort en función de las condiciones climáticas con suficiente precisión, mejor que los puntos de ajuste de temperatura comunes actualmente. La tesis se cierra con una revisión de la herramienta, una perspectiva hacia sus mejoras y aplicaciones, y el impacto general del aprendizaje automático y aprendizaje profundo en el sector de la construcción.