IoT (Internet of Things) presents a myriad of solutions to problems in many areas of human knowledge. Despite its wide applicability, developing IoT applications is not an easy task due to the heterogeneity of devices and non-functional requirements such as power saving. One of the most energy-intensive activities on the Internet of Things is using the wireless network to send or receive information. This is a critical activity because IoT devices often have limited power sources such as batteries. In order to solve the such problem, the objective of this work is to develop a Data Prediction Service using Machine Learning, whose function is determined or the exact moment for a Middleware to manage the IoT device work cycle through data models. Where the predicted data can be used instead of the actual device, thus never failing to provide data to the application. An evaluation was performed by establishing to quantify the efficiency of the prediction service and to analyze data prediction models with the intention of maximizing device autonomy. The execution of the application with the Prediction Service was compared to another without use. Thus, a 63% increase in usage time has been reported for power with a 9v (volts) battery.A IoT (Internet Of Things, ou no português, Internet das Coisas) apresenta uma miríade de soluções para problemas de diversas áreas do conhecimento humano. Apesar da sua grande aplicabilidade, desenvolver aplicações para IoT não é uma tarefa fácil em razão da heterogeneidade dos dispositivos e de requisitos não funcionais como economia de energia. Uma das atividades de maior consumo de energia na IoT é a utilização de rede sem fio para envio ou recepção de informações. Essa é, portanto, uma atividade crítica, pois, muitas vezes, os dispositivos para IoT possuem fontes de energia limitada, como baterias e pilhas. Visando solucionar o problema descrito, o objetivo deste trabalho é desenvolver um Serviço de Predição de dados usando Machine Learning, cuja função é determinar o momento exato para que um Middleware possa gerenciar o duty cycle dos dispositivos de IoT através da construção de modelos de predição de dados que podem ser usados no lugar da medição real dos dispositivos, e assim, nunca deixar de fornecer dados a aplicação. A avaliação foi realizada através do estabelecimento de métricas para quantificar a eficiência do Serviço de Predição em analisar e construir modelos de predição de dados com a intensão de maximizar a autonomia dos dispositivos. Foi comparada a execução da aplicação com o Serviço de Predição a outra sem a utilização. Foi registrado aumento de cerca de 63% no tempo de uso para alimentação com uma bateria de 9v (volts).