Aunque los métodos de aprendizaje automático basados en datos se han aplicado con éxito para predecir dinámicas no lineales complejas, pronosticar la evolución futura basada en información pasada incompleta sigue siendo un desafío significativo. Este documento propone un enfoque novedoso basado en datos que aprovecha las relaciones dinámicas entre variables. Al integrar Transformadores No Estacionarios con LightGBM, construimos un modelo robusto donde LightGBM crea una función de ajuste para capturar y simular las complejas relaciones de acoplamiento entre variables en sistemas caóticos en evolución dinámica. Este enfoque permite la reconstrucción de datos faltantes, restaurando la completitud de secuencias y superando las limitaciones de los métodos existentes de predicción de series temporales caóticas en el manejo de datos faltantes. Validamos el método propuesto al predecir la evolución futura de variables con datos faltantes en sistemas caóticos tanto disipativos como conservativos. Los resultados experimentales demuestran que el modelo mantiene estabilidad y efectividad incluso con tasas crecientes de datos faltantes, especialmente en el rango del 30% al 50%, donde los errores de predicción permanecen relativamente bajos. Además, la importancia de las características extraída por el modelo se alinea estrechamente con las características dinámicas subyacentes del sistema caótico, mejorando la interpretabilidad y confiabilidad del método. Esta investigación ofrece una solución práctica y teóricamente sólida a los desafíos de predecir sistemas caóticos con conjuntos de datos incompletos.