تُعد القيم المفقودة، التي تظهر في معظم السلاسل الزمنية متعددة المتغيرات، عائقًا أمام التحليل المتقدم للبيانات الزمنية متعددة المتغيرات. تسعى الطرق الحالية لمعالجة القيم المفقودة عبر حذف البيانات، أو التقدير الإحصائي، أو التقدير القائم على التعلم الآلي، أو التقدير التوليدي. ومع ذلك، فإن هذه الطرق إما لا تُعالج المعلومات الزمنية بشكل فعّال، أو تتطلب مراحل متعددة. يقترح هذا البحث نموذجًا توليديًا متكاملًا من الطرف إلى الطرف يُسمى E2GAN، لملء القيم المفقودة في السلاسل الزمنية متعددة المتغيرات. وباستخدام خسارة التمييز وخسارة المربعات، يمكن لـ E2GAN ملء السلاسل الزمنية غير الكاملة من خلال أقرب سلسلة زمنية كاملة تم إنشاؤها في مرحلة واحدة. تُظهر التجارب على عدة مجموعات بيانات واقعية أن نموذجنا يتفوق على النماذج الأساسية من حيث دقة التقدير، ويحقق نتائج رائدة في التصنيف/الانحدار في التطبيقات التالية. علاوةً على ذلك، يحقق منهجنا كفاءة زمنية أفضل مقارنة بالطرق متعددة المراحل في تدريب الشبكات العصبية.