تُعد التنبؤات الدقيقة لتدفق البيانات في المدى القصير أمرًا حاسمًا لتحسين كفاءة نقل البيانات في شبكات الأقمار الصناعية منخفضة المدار. ومع ذلك، في بيئة فضائية معقدة، قد يؤدي فشل المجمع، وأخطاء النقل، وفشل الذاكرة إلى فقدان قيم التدفق. يعيق التسلسل الزمني للتدفق غير الكامل استخدام البيانات بشكل فعال، مما يقلل بشكل كبير من دقة توقعات التدفق. من أجل حل هذه المشكلة، يُقترح نموذج توقع تدفق التسلسل الزمني الغير كامل على أساس الترابط الزمني-المكاني، وينقسم هذا النموذج إلى مرحلتين: إعادة بناء تسلسل زمني غير كامل باستخدام طريقة استنباط البيانات المفقودة وتوقع التدفق باستخدام التسلسل الزمني المعاد بناؤه. في المرحلة الأولى، يتم اقتراح نموذج لاستنتاج البيانات المفقودة على أساس الأوتوكودر الكاشف للضوضاء المحسن. على وجه التحديد، يتم دمج الأوتوكودر الكاشف للضوضاء مع حقل مجموعات جيس لإنشاء الاتفاق في كل فترة زمنية مختلفة، واستخراج أنماط البنية من تسلسل الزمني. باستخدام الترابط الزمني المكاني الفريد لتدفق شبكات الأقمار الصناعية منخفضة المدار، يتم تحسين بشكل كبير طريقة تهيئة قيم البيانات المفقودة للأوتوكودر الكاشف للضوضاء. في المرحلة الثانية، من خلال دمج تدفق شبكات الأقمار الصناعية منخفضة المدار المكاني والزمني، يتم اقتراح نموذج توقع تدفق باستخدام آلية الانتباه متعددة القنوات لشبكة النماذج الدماغية التصنيفية المحسنة. وأخيرًا، لتحقيق بنية مثالية لهذه النماذج، يتم استخدام خوارزمية الأمثلة الفضائية المتعددة لاختيار التركيبة المثالية لمعلمات النموذج. تشير التجارب إلى أن النموذج المقترح يفوق النماذج الأساسية في دقة توقعات التدفق تحت معدلات مختلفة لفقدان البيانات، مما يؤكد فعالية هذا النموذج.

التسلسل الزمني الغير كامل؛ الأوتوكودر الكاشف للضوضاء (DAE)؛ الترابط المكاني-الزمني؛ توقعات حركة المرور؛ شبكات أقمار ليو