Les valeurs manquantes, fréquentes dans la plupart des séries temporelles multivariées, entravent l’analyse avancée des données de séries temporelles multivariées. Les approches existantes d’imputation tentent de traiter ces valeurs manquantes par suppression, imputation statistique, imputation basée sur l’apprentissage automatique ou imputation générative. Toutefois, ces méthodes sont soit incapables de capturer efficacement les informations temporelles, soit de nature multi-étapes. Ce papier propose un modèle génératif end-to-end, E2GAN, pour imputer les valeurs manquantes dans les séries temporelles multivariées. Grâce à une perte discriminative et une perte d’erreur quadratique, E2GAN permet d’imputer les séries temporelles incomplètes en les remplaçant par la série complète générée la plus proche, en une seule étape. Des expériences menées sur plusieurs jeux de données réels montrent que notre modèle surpasser les méthodes de référence en termes de précision d’imputation et atteint des résultats de classification/régression de pointe dans les applications en aval. En outre, notre méthode présente également une meilleure efficacité temporelle par rapport aux méthodes multi-étapes lors de l’entraînement des réseaux neuronaux.