La red verde se está convirtiendo actualmente en una compulsión urgente aplicada para la arquitectura de la red celular. Uno de los tratamientos que se pueden llevar a cabo para cumplir con dicho objetivo es un esquema consciente del tráfico de una estación base. Este esquema puede controlar el consumo de energía de la red celular en función del número de demandas. Luego, requiere una comprensión del tráfico estimado en las demandas futuras. Varios estudios han realizado experimentos para obtener una predicción del tráfico de red con buena precisión. Sin embargo, los patrones dinámicos, la ráfaga y varios ruidos dificultan que el modelo de predicción aprenda el tráfico de datos de manera exhaustiva. Además, este documento propone un modelo de predicción que utiliza el aprendizaje profundo de una red neuronal convolucional profunda unidimensional (1DCNN) y una unidad recurrente con compuertas (GRU). Inicialmente, este estudio descompone los datos de tráfico de red mediante RobustSTL, en lugar de STL estándar, para obtener las componentes de tendencia, estacionales y residuales. Luego, estas componentes se introducen en el 1DCNN-GRU como datos de entrada. A través del método de descomposición utilizando RobustSTL, el modelo híbrido de 1DCNN-GRU puede capturar completamente el patrón y la relación de los datos de tráfico. Según los resultados experimentales, el modelo propuesto supera en general a los modelos contrapartes en las métricas de MAPE, RMSE y MAE. Los datos predichos del modelo propuesto pueden seguir los patrones de los datos reales de tráfico de red.