تنبؤ دقيق لحركة المرور قصيرة الأجل ضروري لتحسين كفاءة نقل البيانات في شبكات الأقمار الصناعية المدارية المنخفضة. ولكن في البيئات الفضائية المعقدة، قد تؤدي فشل المجمع، أخطاء النقل، وفشل الذاكرة إلى فقدان قيم حركة المرور. تعوق السلاسل الزمنية غير الكاملة لحركة المرور الاستخدام الفعال للبيانات، مما يقلل بشكل كبير من دقة التنبؤ بحركة المرور. لمعالجة هذه المشكلة، تم اقتراح نموذج تنبؤ بحركة المرور لسلاسل زمنية غير مكتملة قائم على الترابط الزمني المكاني، ويتكون من مرحلتين: إعادة بناء السلاسل الزمنية غير المكتملة عبر طرق استدلال بيانات مفقودة وتنبؤ حركة المرور استنادًا إلى السلاسل الزمنية المعاد بناؤها. في المرحلة الأولى، تم اقتراح نموذج استدلال بيانات مفقودة قائم على محسن المشفر التلقائي لإزالة الضوضاء. على وجه التحديد، يتم دمج المشفر التلقائي لإزالة الضوضاء مع مجال مجموع زوايا جريست، لإنشاء الترابط الزمني عبر فترات زمنية مختلفة واستخراج نمط الهيكل من السلاسل الزمنية. باستخدام الترابط الزمني المكاني الفريد لحركة مرور شبكات الأقمار الصناعية المدارية المنخفضة، تم تحسين طريقة تهيئة القيم المفقودة للمشفر التلقائي لإزالة الضوضاء. في المرحلة الثانية، وبالاعتماد على حركة المرور الترابطية الزمنية المكانية للشبكة، تم اقتراح نموذج تنبؤ حركة مرور قائم على شبكة عصبية تلافيفية مزودة بآلية انتباه متعددة القنوات. وأخيرًا، لاختيار أفضل مجموعة من معلمات النموذج لتحقيق الهيكل المثالي لهذه النماذج، تم استخدام خوارزمية تحسين الكون المتعدد. أظهرت التجارب أن النموذج المقترح يتفوق على النموذج الأساسي في دقة التنبؤ بحركة المرور تحت معدلات فقدان بيانات مختلفة، مما يثبت فعالية النموذج.

سلاسل زمنية غير مكتملة؛ مشفر تلقائي لإزالة الضوضاء؛ الترابط الزمني المكاني؛ تنبؤ حركة المرور؛ شبكات الأقمار الصناعية المدارية المنخفضة