La prévision précise du trafic à court terme est essentielle pour améliorer l'efficacité de la transmission des données dans les réseaux de satellites en orbite basse. Cependant, dans des environnements spatiaux complexes, les défaillances des collecteurs, les erreurs de transmission et les pannes de mémoire peuvent entraîner la perte de valeurs de trafic. Les séries temporelles de trafic incomplètes entravent l'utilisation efficace des données, ce qui réduit considérablement la précision de la prévision du trafic. Pour résoudre ce problème, un modèle de prévision du trafic pour séries temporelles incomplètes basé sur la corrélation spatio-temporelle est proposé, composé de deux phases : la reconstruction des séries temporelles incomplètes via des méthodes d'inférence des données manquantes et la prévision du trafic basée sur les séries temporelles reconstruites. Dans la première phase, un modèle d'inférence des données manquantes basé sur un autoencodeur débruiteur amélioré est proposé. Plus précisément, l'autoencodeur débruiteur est combiné avec le champ de somme des angles de Grist pour établir une corrélation temporelle entre différents intervalles et extraire des motifs structurels des séries temporelles. En utilisant la corrélation spatio-temporelle unique du trafic des réseaux de satellites en orbite basse, la méthode d'initialisation des valeurs manquantes de l'autoencodeur débruiteur est améliorée. Dans la deuxième phase, en combinant le trafic spatio-temporel corrélé du réseau, un modèle de prévision du trafic basé sur un réseau neuronal convolutionnel avec mécanisme d'attention multicanal est proposé. Enfin, pour réaliser la structure idéale de ces modèles, un algorithme d'optimisation multivers est utilisé pour sélectionner la combinaison optimale des paramètres du modèle. Les expériences montrent que, sous différents taux de données manquantes, le modèle proposé surpasse les modèles de référence en précision de prévision du trafic, démontrant ainsi l'efficacité du modèle.

séries temporelles incomplètes; autoencodeur débruiteur; corrélation spatio-temporelle; prévision du trafic; réseaux de satellites en orbite basse