建模现实世界中的多维时间序列在这些序列零星观测时（即，时间和维度上的采样都是不规则的）——例如临床患者数据的情况下——会特别具有挑战性。为了解决这些挑战，我们提出了（1）基于最近的神经常微分方程（Neural Ordinary Differential Equations, Chen 等，2018）构建的门控循环单元的连续时间版本，以及（2）处理零星观测的贝叶斯更新网络。我们将这两种方法结合在一起，形成了我们的 GRU-ODE-Bayes 方法。然后，我们证明了所提出的方法对潜在过程编码了一个连续性先验，并且它可以精确表示由多维随机微分方程驱动的复杂过程的福克-普朗克动力学（Fokker-Planck dynamics）。此外，实证评估表明，我们的方法在合成数据和应用于医疗保健及气候预测的真实世界数据上均优于现有最先进的方法。更重要的是，连续性先验被证明适用于样本数量较少的情况。