البيانات الناقصة في السلاسل الزمنية هي مشكلة شائعة تضع عقبات أمام التحليل المتقدم. من الحلول الشائعة ملء البيانات الناقصة، حيث يكمن التحدي الأساسي في تحديد القيم التي يجب إدخالها. تقترح هذه الورقة البحثية SAITS، وهي طريقة جديدة تعتمد على آلية الذكاء الاصطناعي للانتباه الذاتي لملء القيم الناقصة في السلاسل الزمنية متعددة المتغيرات. يتم تدريب SAITS باستخدام نهج التحسين المشترك، حيث تتعلم قيم البيانات الناقصة من تركيبة موزونة لكتلتي انتباه ذاتي مقنّعتين بشكل قطرى (DMSA). تقوم DMSA بتحديد العلاقات الزمنية والارتباطات بين الخصائص بشكل صريح بين خطوات الوقت، مما يحسن دقة ملء البيانات وسرعة التدريب. وفي الوقت نفسه، فإن تصميم التركيبة الموزونة يمكّن SAITS من تعيين أوزان ديناميكية للتمثيلات المُتعلمة من كتلتَي DMSA حسب خريطة الانتباه والمعلومات المتعلقة بالبيانات الناقصة. تُظهر التجارب الواسعة بشكل كمي وكيفي أن SAITS تتفوق على أفضل الأساليب الحالية في مهمة ملء السلاسل الزمنية بكفاءة وتكشف عن إمكانية SAITS لتحسين أداء نماذج التعرف على الأنماط عند التعامل مع بيانات سلاسل زمنية غير كاملة من العالم الحقيقي. الكود متاح بشكل مفتوح المصدر على GitHub عبر الرابط: https://github.com/WenjieDu/SAITS.