إكمال القيم المفقودة هو مشكلة أساسية في نمذجة البيانات المكانية-الزمانية، بدءًا من تتبع الحركة وصولاً إلى ديناميكيات الأنظمة الفيزيائية. تعاني النماذج التلقائية العميقة من انتشار الخطأ الذي يصبح كارثيًا عند إكمال التسلسلات طويلة المدى. في هذا البحث، نتبع نهجًا غير تلقائي ونقترح نموذجًا جينيراتيفيًا عميقًا جديدًا: إكمال متعدد الدقة غير التلقائي (NAOMI) لإكمال التسلسلات طويلة المدى بوجود أنماط مفقودة عشوائية. يستفيد NAOMI من بنية البيانات المكانية-الزمانية المتعددة الدقة ويقوم بالفك الشفرة بشكل متكرر من الدقة الخشنة إلى الدقة الدقيقة باستخدام استراتيجية التقسيم والغلبة. نعزز أيضًا نموذجنا عبر التدريب المعادي. عند تقييمه بشكل شامل على مجموعات بيانات مرجعية من أنظمة الديناميكيات الحتمية والعشوائية، أظهر NAOMI تحسينًا كبيرًا في دقة الإكمال (بخفض متوسط خطأ التنبؤ بنسبة 60٪ مقارنة بالنماذج التلقائية) وتحسين قابلية التعميم للتسلسلات طويلة المدى.