Modelar motores utilizando enfoques basados en la física es un método tradicional y ampliamente aceptado para predecir la presión en el cilindro y el inicio de la combustión (SOC). Sin embargo, desarrollar modelos tan complejos generalmente requiere un esfuerzo, tiempo y conocimiento significativos sobre los procesos físicos subyacentes. En contraste, las técnicas de aprendizaje automático han demostrado su potencial para construir modelos que no solo se desarrollan rápidamente, sino que también son eficientes. En este estudio, empleamos un enfoque de aprendizaje automático para predecir la presión del cilindro de un motor de encendido por compresión de carga homogénea (HCCI). Utilizamos un modelo de aprendizaje automático basado en memoria a largo y corto plazo (LSTM) y comparamos su rendimiento con un modelo de red neuronal completamente conectada, que se ha utilizado en investigaciones anteriores. Los resultados del modelo LSTM se evalúan en comparación con datos experimentales, obteniendo un error absoluto medio de 0.37 y un error cuadrático medio de 0.20. La predicción de la presión del cilindro se presenta como una serie temporal, ampliando trabajos anteriores que se centraron en predecir la presión en puntos discretos en el tiempo. Nuestros hallazgos indican que el método LSTM puede predecir con precisión la presión del cilindro de los motores HCCI hasta 256 pasos de tiempo adelante.