В данной работе предложен двухэтапный алгоритм машинного обучения для прогнозирования значений полного электронного содержания (ПЭС). На первом этапе выполняется снижение размерности исходных временных рядов ПЭС с использованием стандартного полносвязного автокодировщика. Это позволяет выделить сжатые латентные представления, которые сохраняют ключевые временные зависимости и паттерны данных. На втором этапе эти латентные признаки объединяются с набором внешних параметров, влияющих на состояние ионосферы: критической частотой слоя F2 (foF2), индексами солнечной (F10.7) и геомагнитной (Kp) активности, а также временными метками (время года, время суток). Полученный обогащенный набор данных используется для обучения и тестирования нескольких классических алгоритмов машинного обучения, включая градиентный бустинг. Показано, что алгоритм CatBoost демонстрирует наилучшую точность прогноза на тестовой выборке по сравнению с другими моделями, что подтверждается метриками RMSE и MAE. Предложенный метод обеспечивает точный и эффективный прогноз ПЭС, объединяя преимущества нейросетевого сжатия данных и мощь современных ансамблевых
алгоритмов.