السلسلات الزمنية غير المنتظمة ذات القيم المفقودة تُلاحظ غالباً في العديد من التطبيقات الحقيقية مثل الرعاية الصحية والمناخ والفلك. تشكل هذه السلسلات تحدياً كبيراً للنماذج العميقة التقليدية التي تعمل فقط على السلسلات الزمنية الكاملة والمُنتظمة. لالتقاط الديناميكيات المستمرة للسلسلة الزمنية غير المنتظمة، تعتمد العديد من النماذج على حل معادلة تفاضلية عادية (ODE) في الحالة الخفية. هذه النماذج المعتمدة على ODE تكون بطيئة وتتطلب ذاكرة كبيرة بسبب العمليات التتابعية وحل المعادلة التفاضلية العادية المعقد. كبديل عن النماذج المعقدة القائمة على ODE، نقترح مجموعة من النماذج تُسمى الديناميكيات الخفية الوظيفية (FLD). بدلاً من حل معادلة ODE، نستخدم المنحنيات البسيطة التي توجد في جميع النقاط الزمنية لتحديد الحالة الخفية المستمرة في النموذج. يتم تعلم معاملات هذه المنحنيات فقط من القيم المُراقبة في السلسلة الزمنية، مع تجاهل القيم المفقودة. من خلال التجارب الواسعة، نثبت أن FLD تحقق أداءً أفضل مقارنة بأفضل نموذج قائم على ODE بينما تقلل من وقت التشغيل والذاكرة الإضافية. بشكل خاص، تتطلب FLD درجة أقل بكثير من الوقت لاستنتاج التوقعات مقارنة بأفضل نموذج للتنبؤ بالبيانات الزمنية.