Una cantidad sustancial de dinero y tiempo se requiere para optimizar recursos en una red Wi-Fi masiva en un entorno del mundo real. Por lo tanto, para reducir costos, los algoritmos propuestos primero se verifican a través de simulaciones antes de implementarlos en un entorno del mundo real. Un modelo de tráfico es esencial para describir el tráfico de usuarios para las simulaciones. Los modelos de tráfico existentes son modelos estadísticos basados en un proceso aleatorio de tiempo discreto y combinan un modelo característico espacio-temporal con los parámetros variables, como el promedio y la varianza, de un modelo estadístico. El modelo característico espacio-temporal tiene una suposición matemáticamente estricta de que los puntos de acceso (AP) tienen patrones de tráfico aproximadamente similares que aumentan durante el día y disminuyen por la noche. La suposición matemática garantiza una representación homogénea del tráfico de red. No incluye características heterogéneas, como el hecho de que los edificios de conferencias en el campus tienen mucho tráfico durante las conferencias, mientras que los restaurantes tienen mucho tráfico solo durante las horas de comida. Por lo tanto, es difícil representar tráfico heterogéneo usando este modelo matemático. El aprendizaje profundo se puede utilizar para representar patrones heterogéneos. Este estudio propone un modelo generativo para el tráfico de Wi-Fi que considera características espacio-temporales utilizando aprendizaje profundo. El modelo propuesto aprende los patrones de tráfico heterogéneos a partir de los datos de medición a nivel de AP sin hacer suposiciones y genera patrones de tráfico similares basados en los datos. El resultado muestra que la diferencia entre la muestra generada por el modelo propuesto y los datos recopilados es hasta un 72.1% menor que la reportada en estudios anteriores.