En un entorno de Internet de las Cosas (IoT), los sensores recopilan y envían datos a servidores de aplicaciones a través de puertas de enlace IoT. Sin embargo, estos datos pueden carecer de valores debido a problemas de red o mal funcionamiento del sensor, lo que reduce la fiabilidad de las aplicaciones. Este trabajo propone un mecanismo para predecir e imputar datos faltantes en las puertas de enlace IoT para lograr una mayor autonomía en el borde de la red. Estas puertas de enlace suelen tener recursos de computación limitados. Por lo tanto, los métodos de imputación de datos faltantes deben ser simples y proporcionar buenos resultados. Así, este trabajo presenta dos modelos de regresión basados en redes neuronales para imputar datos faltantes en las puertas de enlace IoT. Además de la calidad de la predicción, analizamos tanto el tiempo de ejecución como la cantidad de memoria utilizada. Validamos nuestros modelos utilizando seis años de datos meteorológicos de Río de Janeiro, variando los porcentajes de datos faltantes. Los resultados muestran que los modelos de regresión de redes neuronales funcionan mejor que los otros métodos de imputación analizados, basados en los promedios y la repetición de valores anteriores, para todos los porcentajes de datos faltantes. Además, los modelos de redes neuronales presentan un tiempo de ejecución corto y necesitan menos de 140 KiB de memoria, lo que les permite funcionar en puertas de enlace IoT.