Con el rápido desarrollo de la tecnología de comunicación global, el problema de los escasos recursos de espectro se ha vuelto cada vez más prominente. Con el fin de aliviar el problema del uso de frecuencias, utilizar racionalmente los recursos de espectro limitados y mejorar la utilización de frecuencias, ha surgido la tecnología de predicción de espectro. A través de la predicción efectiva del uso del espectro, se puede ralentizar el número de procesos de detección de espectro posteriores, y aumentar la precisión de las decisiones de espectro para mejorar la velocidad de respuesta de toda la tecnología de radio cognitiva. El auge del aprendizaje profundo ha traído cambios a los algoritmos tradicionales de predicción de espectro. Este documento propone un método de predicción de espectro llamado Pronóstico de Tiempo de Memoria a Corto y Largo Plazo de Retropropagación (B-LTF) utilizando el modelo de red de Retropropagación de Memoria a Corto y Largo Plazo (BP-LSTM). Según los datos históricos del espectro, se predicen la tendencia futura del espectro y el estado del canal del nodo de tiempo futuro. El objetivo de nuestra investigación es lograr el acceso dinámico al espectro mediante la mejora de la precisión de la predicción de espectro y ayudar mejor a la tecnología de radio cognitiva. Al comparar con los modelos de red BP, LSTM y Unidad Recurrente de Puerta (GRU), aclaramos que el modelo mejorado de red de tiempo recurrente puede manejar series temporales de manera más efectiva. Los resultados de la simulación muestran que el modelo propuesto tiene un mejor rendimiento de predicción, y el cambio en la longitud de la serie temporal tiene un impacto significativo en la precisión de predicción del modelo de aprendizaje profundo.