تُعدّ تنبؤ السلاسل الزمنية ذات العينات غير المنتظمة والمتضمنة قيمًا مفقودة مهمة حاسمة لتطبيقات عالمية عديدة مثل الرعاية الصحية، والفلك، وعلوم المناخ. تعتمد الطرق المتطورة الحالية على المعادلات التفاضلية العادية (ODE)، والتي تُعرف بأنها بطيئة غالبًا، وتحتاج إلى ميزات إضافية للتعامل مع القيم المفقودة. ولحل هذه المشكلة، نقترح نموذجًا جديدًا يُسمى "GraFITi" (الرسوم البيانية للتنبؤ بالسلاسل الزمنية غير المنتظمة ذات القيم المفقودة)، والذي يستخدم الرسوم البيانية. يحول GraFITi السلسلة الزمنية أولاً إلى هيكل نادر يُعرف بـ "الرسم البياني الثنائي النادر" (Sparsity Structure Graph)، ثم يعيد صياغة مشكلة التنبؤ إلى مهمة توقع أوزان الحواف في الرسم البياني. يستخدم GraFITi قوة الشبكات العصبية للرسوم البيانية (GNN) لتعلم بنية الرسم البياني وتوقع أوزان الحواف المستهدفة. تم اختبار GraFITi على 3 مجموعات بيانات حقيقية وواحدة اصطناعية للسلاسل الزمنية غير المنتظمة ذات قيم مفقودة، وتم مقارنته بعشرات النماذج المتطورة. أظهرت النتائج التجريبية أن GraFITi يُحسّن دقة التنبؤ بنسبة تصل إلى 17٪، ويقلل من زمن التشغيل بنسبة تصل إلى 5 أضعاف مقارنةً بالنماذج الحالية المتطورة في التنبؤ.