在本文中，我们提出了一种新的深度学习架构，用于解决监督学习中稀疏且采样不规则的多变量时间序列问题。该架构基于半参数插值网络的使用，随后应用预测网络。插值网络允许在插值阶段跨多变量时间序列的多个维度共享信息，而预测网络可以使用任何标准的深度学习模型。这项工作的动机来源于对电子健康记录中生理时间序列数据的分析，这些数据具有稀疏、采样不规则和多变量的特点。我们研究了该架构在分类和回归任务中的性能，结果表明我们的方法优于一系列基线模型和最近提出的模型。