La predicción de series temporales es el núcleo de la gestión de pronósticos y salud (PHM) de turbomáquinas. Sin embargo, a menudo se producen datos faltantes debido a varias razones, como la falla de sensores. Estos datos parcialmente faltantes e irregulares afectan en gran medida la calidad del modelado y la predicción de series temporales, ya que la mayoría de los modelos de series temporales asumen que los datos se muestrean de manera uniforme a lo largo del tiempo. Mientras tanto, el proceso de entrenamiento de los modelos requiere una gran cantidad de muestras y tiempo. Debido a diversas razones, es difícil obtener una cantidad significativa de datos de monitoreo, y el PHM de turbomáquinas tiene altos requisitos de puntualidad y precisión. Para solucionar estos problemas, proponemos un método de imputación de datos basado en procesos gaussianos de múltiples tareas (MTGP) que aprovecha la transferencia de conocimiento entre múltiples sensores e incluso equipos. Posteriormente, adoptamos redes neuronales de memoria a largo y corto plazo (LSTM) para construir modelos de predicción de series temporales basados en los datos imputados. Además, el modelo integra métodos de eliminación de ruido y reducción de dimensionalidad. La superioridad de este marco integrado de predicción de series temporales, denominado MT-LSTM, ha sido verificada en varios escenarios de imputación de datos de un conjunto de datos sintético y un caso real de turbomáquinas.