La previsión precisa del flujo de datos a corto plazo es crucial para mejorar la eficiencia de la transmisión de datos en redes de satélites de órbita baja. Sin embargo, en un entorno espacial complejo, el fallo de los colectores, los errores de transmisión y los fallos de memoria pueden llevar a la pérdida de valores de flujo. Las series temporales incompletas de flujo obstaculizan el uso efectivo de los datos, lo que reduce significativamente la precisión de la previsión de flujo. Para resolver este problema, se propone un modelo de previsión del flujo de series temporales incompletas basado en la correlación espacio-temporal, este modelo se divide en dos etapas: la reconstrucción de series temporales incompletas mediante un método de inferencia de datos faltantes y la previsión de flujo basada en la serie temporal reconstruida. En la primera etapa, se propone un modelo de inferencia de datos faltantes basado en un autoencoder de reducción de ruido mejorado. En particular, el autoencoder de reducción de ruido se combina con un campo de suma de ángulos de Grassmann para establecer la concordancia en diferentes intervalos de tiempo y extraer patrones estructurales de la serie temporal. Utilizando la correlación espacio-temporal única del flujo en las redes de satélites de órbita baja, se ha mejorado significativamente el método de mejora de la inicialización de valores faltantes del autoencoder de reducción de ruido. En la segunda etapa, mediante la combinación de flujos espacio-temporales de las redes de satélites de órbita baja, se propone un modelo de predicción de flujo basado en un mecanismo de atención de múltiples canales de una red neuronal convolucional. Finalmente, para lograr la estructura ideal de estos modelos, se utiliza un algoritmo de optimización del universo múltiple para elegir la mejor combinación de parámetros del modelo. Los experimentos muestran que el modelo propuesto supera a los modelos base en términos de precisión de predicción de flujo a diferentes tasas de pérdida de datos, lo que confirma la eficacia de este modelo.

Series temporales incompletas; Autoencoder de reducción de ruido (DAE); Correlación espacio-temporal; Predicción de tráfico; Redes de satélites LEO