Fehlende Werte treten in der Regel in multivariaten Zeitreihen auf und behindern fortgeschrittene Analysen solcher Daten. Bestehende Imputationsansätze versuchen, fehlende Werte durch Löschung, statistische Imputation, maschinelles Lernen basierende Imputation oder generative Imputation zu behandeln. Diese Methoden sind jedoch entweder nicht in der Lage, zeitliche Informationen angemessen zu berücksichtigen oder arbeiten in mehreren Stufen. In diesem Artikel wird ein end-to-end generatives Modell, E2GAN, vorgestellt, um fehlende Werte in multivariaten Zeitreihen zu imputieren. Mit Hilfe der diskriminativen Verlustfunktion und der quadratischen Fehlerverlustfunktion kann E2GAN die unvollständige Zeitreihe in einer einzigen Stufe durch die nächstgelegene generierte vollständige Zeitreihe imputieren. Experimente auf mehreren realen Datensätzen zeigen, dass unser Modell die Baseline in Bezug auf die Imputationsgenauigkeit übertrifft und state-of-the-art-Ergebnisse bei nachgeschalteten Anwendungen im Bereich Klassifikation/Regression erzielt. Zudem erreicht unsere Methode eine bessere Zeiteffizienz im Vergleich zu mehrstufigen Ansätzen bei der Trainingsphase von neuronalen Netzen.