En una red IoT, los servidores en red forman una capa de servicio, proporcionando servicios a los usuarios y los dispositivos. La solicitud a los servidores de servicio se enrutó a través de la puerta de enlace en un lado de la capa de servicios y los controladores en red en el otro lado. Los datos se transportan desde los sensores/dispositivos a través de los nodos de clúster en ruta a las estaciones base y los controladores a los servidores de servicio, donde los datos se procesan y se envían para su almacenamiento en la nube a través de las puertas de enlace. Cuando un dispositivo se descompone o se vuelve no operativo, las entradas no se detectan, creando un vacío en los datos. Los datos transmitidos desde los dispositivos se convierten entonces en un flujo incompleto; tales datos no son adecuados para llevar a cabo análisis de datos o predicciones. Los datos faltantes deben identificarse primero como el flujo de datos y estimarse o predecirse para completar los datos antes de que se transmitan a través de la nube para su almacenamiento y recuperaciones posteriores. Este documento propone una red neuronal recurrente (RNN) para predecir los datos faltantes. Se probaron dos modelos para predecir los datos faltantes: el modelo de perceptrón multicapa (MLP) y un modelo de RNN basado en memoria a corto plazo (LSTM). El modelo basado en RNN proporciona una predicción de datos precisa del 99.66% en comparación con otros modelos.