تنبؤ المتسلسلات الزمنية متعددة المتغيرات هو مشكلة تعلم آلي مهمة في العديد من المجالات، بما في ذلك تنبؤ إنتاج الطاقة من محطات الطاقة الشمسية، استهلاك الكهرباء، وحالة الزحام المروري. البيانات الزمنية التي تنشأ في هذه التطبيقات الواقعية غالبًا ما تتضمن مزيجًا من الأنماط طويلة المدى والقصيرة المدى، والتي قد تفشل فيها النماذج التقليدية مثل نماذج الانحدار الذاتي (Autoregressive models) وعملية جاوس (Gaussian Process). في هذا البحث، اقترحنا إطارًا جديدًا للتعلم العميق يُسمى شبكة المتسلسلات الزمنية طويلة المدى وقصيرة المدى (LSTNet)، لمعالجة هذا التحدي المفتوح. يستخدم LSTNet شبكات ال��volution العصبية (CNN) وشبكات الذاكرة التكرارية (RNN) لاستخراج أنماط الاعتماد المحلية قصيرة المدى بين المتغيرات واكتشاف الأنماط طويلة المدى لتوجهات المتسلسلات الزمنية. بالإضافة إلى ذلك، نستفيد من النموذج الانحداري الذاتي التقليدي لمعالجة مشكلة عدم الحساسية للحجم في نموذج الشبكة العصبية. في تقييمنا على بيانات حقيقية تحتوي على مزيج معقد من الأنماط المتكررة، حقق LSTNet تحسينات أداء كبيرة مقارنة بعدة طرق أساسية رائدة. جميع البيانات وأكواد التجارب متاحة عبر الإنترنت.