La predicción del tráfico de Internet ha sido considerada un tema de investigación y la base para la gestión inteligente de redes y la planificación, por ejemplo, la provisión de servicios de red elásticos y la optimización de la entrega de contenido. Diversos métodos han sido propuestos en la literatura para la predicción del tráfico de Internet, incluyendo métodos estadísticos, de aprendizaje automático y de aprendizaje profundo. Sin embargo, la mayoría de los enfoques existentes son entrenados e implementados de forma centralizada, sin considerar el escenario realista en el que múltiples partes están interesadas en el proceso de predicción y el modelo de predicción puede ser entrenado de forma distribuida. En este estudio, se propone un marco de aprendizaje multiagente distribuido para llenar la brecha de investigación y predecir el tráfico de Internet de forma distribuida, en el cual cada agente entrena un modelo de predicción base y los modelos individuales son agregados posteriormente con el proceso de interacción cooperativa. En los experimentos numéricos, se eligen dos modelos sofisticados de aprendizaje profundo como modelo de predicción base, a saber, memoria a corto plazo (LSTM) y unidad recurrente con compuertas (GRU). Los experimentos numéricos demuestran que el modelo GRU entrenado con cinco agentes logra un rendimiento de vanguardia en un conjunto de datos de tráfico de Internet del mundo real recopilado en una red troncal del campus en términos de error cuadrático medio (RMSE) y error absoluto medio (MAE).