Das Bearbeiten von fehlenden Werten und unvollständigen Zeitreihen ist eine arbeitsintensive, mühsame, aber unvermeidliche Aufgabe bei der Verarbeitung von Daten aus realen Anwendungen. Effektive räumlich-zeitliche Darstellungen würden es Imputationsmethoden ermöglichen, fehlende zeitliche Daten durch die Nutzung von Informationen aus Sensoren an verschiedenen Orten zu rekonstruieren. Allerdings sind Standardmethoden nicht in der Lage, die nichtlinearen zeitlichen und räumlichen Abhängigkeiten innerhalb vernetzter Sensoren zu erfassen und nutzen das verfügbare – oft starke – relationale Informationspotential nicht vollständig aus. Besonders auffällig ist, dass die meisten modernsten Imputationsmethoden auf tiefem Lernen basierend keine relationalen Aspekte explizit modellieren und in jedem Fall keine Verarbeitungsframeworks nutzen, die strukturierte räumlich-zeitliche Daten angemessen darstellen können. Im Gegensatz dazu haben sich Graph Neural Networks (GNN) kürzlich als ausdrucksstarke und skalierbare Werkzeuge für die Verarbeitung sequentieller Daten mit relationalen induktiven Verzerrungen etabliert. In dieser Arbeit präsentieren wir die erste Bewertung von GNN im Kontext der multivariaten Zeitreihenimputation. Insbesondere führen wir eine neuartige Architektur von GNN ein, namens GRIN, welche darauf abzielt, fehlende Daten in den verschiedenen Kanälen einer multivariaten Zeitreihe durch das Lernen räumlich-zeitlicher Darstellungen mittels Nachrichtenaustausch zu rekonstruieren. Empirische Ergebnisse zeigen, dass unser Modell moderne Methoden bei der Imputationsaufgabe auf relevanten realweltbezogenen Benchmarks übertrifft, wobei die Verbesserungen des mittleren absoluten Fehlers oft über 20% liegen.