السلسلة الزمنية تُستخدم على نطاق واسع كإشارات في العديد من مهام التصنيف/الانحدار. من الشائع أن تحتوي السلسلة الزمنية على قيم ناقصة كثيرة. بالنظر إلى بيانات سلسلة زمنية متعددة مرتبطة، كيف يمكن ملء القيم الناقصة وتوقع علامات فئاتها؟ غالبًا ما تفرض طرق الإكمال الموجودة افتراضات قوية حول عملية توليد البيانات الأساسية، مثل الديناميات الخطية في الفضاء الحالة. في هذا البحث، نقترح BRITS، وهي طريقة جديدة تعتمد على الشبكات العصبية المتكررة لإكمال القيم الناقصة في بيانات السلسلة الزمنية. الطريقة المقترحة لدينا تتعلم مباشرة القيم الناقصة في نظام ديناميكي متكرر ثنائي الاتجاه، دون أي افتراض محدد. يتم معاملة القيم المكملة كمتغيرات في رسم بياني للشبكة العصبية المتكررة ويمكن تحديثها بفعالية أثناء الرجوع الخلفي (backpropagation). لدى BRITS ثلاثة مزايا: (أ) يمكنها التعامل مع قيم ناقصة متعددة مرتبطة في السلسلة الزمنية؛ (ب) تنطبق على سلاسل زمنية ذات ديناميات غير خطية أساسية؛ (ج) توفر إجراءً مستندًا إلى البيانات لإكمال القيم الناقصة ويُمكن تطبيقه على الإعدادات العامة التي تحتوي على بيانات ناقصة. قدمنا نموذجنا لتقييمه على ثلاث قواعد بيانات حقيقية، بما في ذلك مجموعة بيانات جودة الهواء، ومجموعة بيانات الرعاية الصحية، ومجموعة بيانات تحديد المواقع لأنشطة الإنسان. أظهرت التجارب أن نموذجنا يتفوق على أفضل الأساليب الحالية في دقة الإكمال وفي دقة التصنيف/الانحدار.