خط الأفق هو ميزة هندسية مهمة لمهام معالجة الصور وفهم المشاهد في رؤية الحاسوب. على سبيل المثال، في توجيه المركبات ذاتية القيادة أو مساعدة السائق، يمكن استخدامه لتحسين إعادة بناء الصورة ثلاثية الأبعاد وكذلك لتفسير البيئات الديناميكية بشكل دلالي. رغم وجود خوارزميات ومجموعات بيانات لمجموعات صور منفردة، فإن مشكلة تقدير خط الأفق من سلاسل الفيديو لم تحظَ بالاهتمام الكافي. في هذا البحث، نوضح كيف يمكن للشبكات العصبية التلافيفية أن تستفيد من الاستمرارية الزمنية التي فرضتها سلاسل الفيديو لزيادة دقة تقدير خط الأفق وتقليل تباينه. يتم تقديم معمارية جديدة للشبكة العصبية التلافيفية مع تحسين LSTM التلافيفي المتبقّي (Residual Convolutional LSTM). نقترح دالة خسارة متكيفة تضمن التدريب المستقر بالإضافة إلى النتائج الدقيقة. علاوة على ذلك، نقدم توسيعًا لمجموعة بيانات KITTI يحتوي على تسميات دقيقة لخط الأفق لـ 43699 صورة عبر 72 سلسلة فيديو. يظهر تقييم شامل أن النهج المقترح يحقق أداءً أفضل بشكل مستمر مقارنة بالطرق الموجودة.