时间序列是现实世界中一种重要的数据表现形式,广泛存在于不同应用领域,如城市交通、电网电力和金融市场等等。由于现实世界存在不可控因素,如操作失误、设备故障和通信错误等等,真实时间序列数据不可避免地含有缺失值,从而形成非完整时间序列数据。但是目前绝大多数时序建模算法都是基于数据完整的假设,无法适用于非完整情况。为此,通常把填补视为预处理步骤,采取先填补后建模的两阶段方法。然而,由于没有把填补与目标任务(预测和分类)视为整体进行联合优化,忽视了两者之间的交互以致于取得次优结果。另一方面,直接联合优化填补与建模任务,又往往存在误差积累问题。因此,如何直接在非完整时序数据上进行有效建模仍是一个极具挑战性的问题。本文基于循环神经网络(Recurrent Neural Networks,RNNs),探索其与残差网络(Residual Neural Networks,Res Nets)和生成对抗网络(Generative Adversarial Networks,GANs)在模型思想上的深度结合,提出两种新型循环神经网络,直接建模非完整时序数据。(1)建立了一种新型的图依赖循环神经网络——线性记忆向量循环神经网络(Linear Memory Vector Recurrent Neural Networks,LIME-RNNs)。该模型引入残差图连接,学习RNNs先前历史状态的线性组合,形成线性记忆向量。该向量整合RNNs历史状态信息,挖掘缺失项和先前项之间的关联,用于填补缺失值。进一步,本文针对非完整时序数据,提出了一个新颖的预测损失函数,使模型能在含缺失值数据下进行预测。通过基于现实数据和合成数据的时序填补与预测任务,证明了该线性记忆向量循环神经网络的有效性。(2)建立了一种新型的对抗型循环神经网络——对抗型联合学习循环神经网络(Adversarial Joint-learning Recurrent Neural Networks,AJ-RNNs)。该模型采用联合学习,把时序填补和分类任务结合于一个RNNs模型内,能直接分类时序缺失数据。进一步,为了降低由填补不准确而引入的偏差,采用对抗性学习,引入已训练能区分真实值和填补值的判别网络,指导RNNs模型进行填补。通过基于现实数据和合成数据的非完整时序分类任务,证明了该对抗型联合学习循环神经网络的有效性。