A medida que el enfoque de la exploración espacial ha pasado recientemente de los esfuerzos nacionales a las empresas privadas, el interés en la industria espacial ha aumentado. Con el creciente número de lanzamientos de satélites, el riesgo de colisiones entre satélites y entre satélites y desechos espaciales ha crecido, lo que puede llevar no solo a daños materiales, sino también a víctimas causadas por los escombros. Para abordar este problema, se han investigado varios métodos basados en aprendizaje automático y aprendizaje profundo para mejorar la precisión de la predicción de la órbita de los satélites y mitigar estos riesgos. Sin embargo, la mayoría de los estudios han aplicado modelos básicos de aprendizaje automático para la predicción de órbitas sin considerar el tamaño del modelo y el tiempo de ejecución, a pesar de que las operaciones de satélites requieren modelos ligeros que ofrezcan tanto un rendimiento de predicción sólido como una ejecución rápida. En este estudio, proponemos un marco de pronóstico de series temporales, el Codificador Transformador Ligero (LTE), para la predicción de órbita de satélites. El LTE es un modelo de predicción que modifica la estructura del codificador del modelo Transformer para mejorar la precisión de la predicción de órbita de satélites y reducir los recursos computacionales utilizados. Para evaluar su rendimiento, realizamos experimentos utilizando alrededor de 4,8 millones de puntos de datos recopilados cada minuto desde enero de 2016 hasta diciembre de 2018 por los satélites KOMPSAT-3, KOMPSAT-3A y KOMPSAT-5, que forman parte de la serie de Satélites de Propósito Múltiple de Corea (KOMPSAT) operados por el Instituto de Investigación Aeroespacial de Corea (KARI). Comparamos el rendimiento de nuestro modelo con varios modelos de referencia en términos de error de predicción, tiempo de ejecución y número de parámetros utilizados. Nuestro modelo LTE demuestra mejoras significativas: reduce el error de predicción de la órbita en un 50,61% en el conjunto de datos de KOMPSAT-3, un 42,40% en el conjunto de datos de KOMPSAT-3A y un 30,00% en el conjunto de datos de KOMPSAT-5 en comparación con el modelo que mejor funciona. Además, en el conjunto de datos de KOMPSAT-3, disminuye el tiempo de ejecución en un 36,86% (de 1731 a 1093 s) y reduce el número de parámetros en un 2,33% en comparación con el modelo que mejor funciona.