La predicción precisa del tráfico a corto plazo es crucial para mejorar la eficiencia de la transmisión de datos en redes de satélites de órbita baja. Sin embargo, en entornos espaciales complejos, las fallas del colector, errores de transmisión y fallas de memoria pueden causar la pérdida de valores de tráfico. Las series temporales incompletas de tráfico obstaculizan el uso efectivo de los datos, reduciendo significativamente la precisión de la predicción del tráfico. Para abordar este problema, se propone un modelo de predicción de tráfico de series temporales incompletas basado en la correlación espacio-temporal, que consta de dos etapas: reconstrucción de series temporales incompletas mediante métodos de inferencia de datos faltantes y predicción de tráfico basada en las series temporales reconstruidas. En la primera etapa, se presenta un modelo de inferencia de datos faltantes basado en un autoencoder de ruido mejorado. Específicamente, el autoencoder de ruido se combina con el campo de suma de ángulos de Grist para establecer la correlación temporal entre diferentes intervalos y extraer patrones estructurales de las series temporales. Aprovechando la correlación espacio-temporal única del tráfico en redes de satélites de órbita baja, se mejora el método de inicialización de valores faltantes del autoencoder de ruido. En la segunda etapa, combinando el tráfico correlacionado espacio-temporalmente de la red de satélites de órbita baja, se propone un modelo de predicción de tráfico basado en una red neuronal convolucional con mecanismo de atención multicanal. Finalmente, para lograr la estructura ideal de estos modelos, se utiliza un algoritmo de optimización del multiverso para seleccionar la combinación óptima de parámetros del modelo. Los experimentos demuestran que, bajo diferentes tasas de pérdida de datos, el modelo propuesto supera a los modelos base en precisión de predicción de tráfico, lo que prueba la efectividad del modelo.

series temporales incompletas; autoencoder de ruido; correlación espacio-temporal; predicción de tráfico; redes de satélites de órbita baja