تعلم التمثيلات المضغوطة للسلسلة الزمنية متعددة المتغيرات (MTS) يسهل تحليل البيانات في وجود الضوضاء والمعلومات الزائدة، وكذلك عند وجود عدد كبير من المتغيرات والخطوات الزمنية. ومع ذلك، فإن نماذج التقليص البُعدي الكلاسيكية مصممة للبيانات المتجهية ولا يمكنها التعامل بشكل صريح مع القيم الناقصة. في هذا البحث، نقترح هندسة كودر ذاتي جديدة تعتمد على الشبكات العصبية المتكررة لتوليد تمثيلات مضغوطة للسلسلة الزمنية متعددة المتغيرات. النموذج المقترح قادر على معالجة المدخلات التي تتميز بطول متغير وهو مصمم خصيصًا لمعالجة البيانات الناقصة. يتعلم الكودر الذاتي تمثيلات متجهية ذات طول ثابت، حيث يتم تنظيم التشابه الثنائي لهذه التمثيلات وفقًا لدالة نواة تعمل في فضاء المدخلات وتتعامل مع القيم الناقصة. هذا يسمح بتعلم تمثيلات جيدة حتى في حالة وجود كمية كبيرة من البيانات الناقصة. لبيان فعالية النهج المقترح، نقيّم جودة التمثيلات المُتعلَّمة في عدة مهام تصنيف، بما في ذلك تلك المتعلقة بالبيانات الطبية، ونقارنها مع طرق أخرى للتقليص البُعدي. بعد ذلك، نصمم إطارين اثنين يستندان إلى الهيكلية المقترحة: الأول لملء البيانات الناقصة والآخر للتصنيف الفردي (one-class classification). أخيرًا، نقوم بتحليل الظروف التي يمكن فيها للكودر الذاتي ذو الطبقات المتكررة أن يتعلم تمثيلات مضغوطة أفضل للسلسلة الزمنية متعددة المتغيرات من الأطر ذات التغذية الأمامية.