تُعدّ المستويات العالية من البيانات المفقودة وعدم التوازن الشديد بين الفئات تحديّين شائعيين يُقدّمان غالبًا معًا في بيانات السلاسل الزمنية الواقعية. تتناول الطرق الحالية هذه المشكلات بشكل منفصل، وغالبًا ما تُقدّم افتراضات قوية حول عملية توليد البيانات الكامنة لتقليل تأثير البيانات المفقودة. في هذا العمل، نُظهر بدلًا من ذلك كيف يمكن استغلال طريقة تدريب ذاتية عامة، تُعرف بـ "تشفير التنبؤ الذاتي" (Autoregressive Predictive Coding - APC)، لتجاوز كل من مشكلتي البيانات المفقودة وعدم التوازن بين الفئات في آنٍ واحد، دون الحاجة إلى افتراضات قوية. بشكل خاص، على مجموعة بيانات مُصَنَّعة، نُظهر أن الطرق القياسية تتحسّن بشكل كبير باستخدام APC، مع تحقيق أكبر مكاسب في البيئة المُجمّعة التي تتميز بمستويات عالية من فقدان البيانات وعدم توازن شديد بين الفئات. كما نطبّق APC على مجموعتي بيانات طبية حقيقية، ونُظهر أن APC يُحسّن أداء التصنيف في جميع الظروف، مما يؤدي في النهاية إلى تحقيق نتائج متميزة من حيث مقياس AUPRC على معيار Physionet.