Des prévisions précises du flux de données à court terme sont cruciales pour améliorer l'efficacité de la transmission des données dans les réseaux de satellites à orbite basse. Cependant, dans un environnement spatial complexe, l'échec des collecteurs, les erreurs de transmission et les défaillances de mémoire peuvent entraîner une perte de valeurs de flux. Les séries temporelles incomplètes de flux entravent une utilisation efficace des données, réduisant ainsi considérablement la précision des prévisions de flux. Pour résoudre ce problème, un modèle de prévision de flux de séries temporelles incomplètes basé sur la corrélation spatio-temporelle est proposé, ce modèle est divisé en deux étapes : la reconstruction de séries temporelles incomplètes à l'aide d'une méthode d'inférence de données manquantes et la prévision de flux basée sur la série temporelle reconstruite. À la première étape, un modèle d'inférence de données manquantes basé sur un auto-encodeur de débruitage amélioré est proposé. En particulier, l'auto-encodeur de débruitage est combiné avec un champ de somme des angles de Grassmann pour établir la concordance à différents intervalles de temps et extraire des modèles structurels de la série temporelle. Utilisant la corrélation spatio-temporelle unique du flux dans les réseaux de satellites en orbite basse, la méthode d'amélioration de l'initialisation des valeurs manquantes de l'auto-encodeur de débruitage a été considérablement améliorée. À la deuxième étape, en combinant les flux spatio-temporels des réseaux de satellites en orbite basse, un modèle de prédiction de flux basé sur un mécanisme d'attention multi-canal d'un réseau neuronal convolutif est proposé. Enfin, pour réaliser la structure idéale de ces modèles, un algorithme d'optimisation de l'univers multiple est utilisé pour choisir la meilleure combinaison de paramètres de modèle. Les expériences montrent que le modèle proposé dépasse les modèles de base en termes de précision de prévision de flux à différents taux de perte de données, confirmant ainsi l'efficacité de ce modèle.

Séries temporelles incomplètes ; Auto-encodeur de débruitage (DAE) ; Corrélation spatio-temporelle ; Prédiction de trafic ; Réseaux de satellites LEO