Este documento aborda el desafío de la predicción de series temporales en presencia de datos faltantes. Los métodos tradicionales a menudo tienen dificultades con dichos datos, lo que lleva a predicciones inexactas. Proponemos un nuevo marco que combina las fortalezas de las Redes Generativas Antagónicas (GAN) y la inferencia bayesiana. El marco utiliza un GAN Condicional (C-GAN) para imputar de manera realista los valores faltantes en los datos de series temporales. Posteriormente, se emplea la inferencia bayesiana para cuantificar la incertidumbre asociada con las predicciones debido a los datos faltantes. Este enfoque combinado mejora la robustez y fiabilidad de la predicción en comparación con los métodos tradicionales. La efectividad de nuestro método propuesto se evalúa en un conjunto de datos del mundo real sobre la contaminación del aire en la Ciudad de México. Los resultados demuestran la capacidad del marco para manejar datos faltantes y lograr una mayor precisión en las predicciones.