La previsión del tráfico de redes de mega-constelaciones proporciona información clave para el enrutamiento y la asignación de recursos, lo cual es de gran importancia para el rendimiento de las redes satelitales. Sin embargo, debido a la auto-similitud y la dependencia de largo alcance (LRD) del tráfico de redes de mega-constelaciones, los modelos de previsión lineales/no lineales tradicionales no pueden lograr una precisión de previsión suficiente. Para resolver este problema, se propone en este artículo un modelo de previsión del tráfico de redes de mega-constelaciones basado en EMD (descomposición en modos empíricos)-ARIMA (promedio móvil integrado autorregresivo) y un BPNN (red neuronal de retropropagación) optimizado por IGWO (optimizador de lobo gris mejorado), que hace un uso integral del modelo lineal ARIMA, el modelo no lineal BPNN y el algoritmo de optimización IGWO. Con el aumento de la capacidad de optimización global de un BPNN, el modelo híbrido propuesto puede realizar plenamente el potencial de minería de leyes lineales y no lineales del tráfico de redes de mega-constelaciones, mejorando así la precisión de la previsión. Este artículo utiliza un modelo ON/OFF para generar tráfico histórico auto-similar para la previsión. Se adoptan RMSE (error cuadrático medio), MAE (error absoluto medio), R-cuadrado y MAPE (error porcentual absoluto medio) como índices de evaluación para el efecto de previsión. Los resultados experimentales comprensivos muestran que el método propuesto supera a los esquemas tradicionales de previsión del tráfico de redes de constelaciones, con varias mejoras en la precisión y eficiencia de la previsión.