Die Vorhersage von unregelmäßig abgetasteten Zeitreihen mit fehlenden Werten ist eine entscheidende Aufgabe für zahlreiche Anwendungen in der Praxis, beispielsweise im Gesundheitswesen, der Astronomie und den Klimawissenschaften. Moderne Ansätze zu diesem Problem basieren auf gewöhnlichen Differentialgleichungen (ODEs), die bekanntermaßen langsam sind und häufig zusätzliche Merkmale erfordern, um fehlende Werte zu behandeln. Um dieses Problem zu lösen, stellen wir ein neuartiges Modell vor, das Graphen zur Vorhersage unregelmäßig abgetasteter Zeitreihen mit fehlenden Werten nutzt und als GraFITi bezeichnen. GraFITi wandelt zunächst die Zeitreihe zunächst in ein Sparsity-Structure-Graph um, einen spärlichen bipartiten Graphen, und reformuliert anschließend das Vorhersageproblem als Aufgabe der Vorhersage von Kanten gewichten im Graphen. Es nutzt die Stärke von Graph Neural Networks, um den Graphen zu lernen und die Zielkanten gewichte vorherzusagen. GraFITi wurde auf drei realen und einem synthetischen Datensatz unregelmäßig abgetasteter Zeitreihen mit fehlenden Werten getestet und mit verschiedenen state-of-the-art-Modellen verglichen. Die experimentellen Ergebnisse zeigen, dass GraFITi die Vorhersagegenauigkeit um bis zu 17 % steigert und die Laufzeit gegenüber den besten bisherigen Vorhersagemodellen bis zu fünfmal reduziert.