واجهت الأساليب القائمة على الشبكات العصبية التكرارية (RNN) تحديات في مجال التنبؤ بالسلاسل الزمنية طويلة الأمد (LTSF) عند التعامل مع نوافذ رجوع طويلة جدًا وفواصل تنبؤ طويلة. ونتيجة لذلك، تحولت التفوق في هذا المجال نحو نماذج المُحَوِّل (Transformer) والشبكات العصبية المتعددة الطبقات (MLP) والشبكات العصبية التلافيفية (CNN). وتعود الأسباب الجوهرية لقيود أداء RNN في مهام LTSF إلى عدد كبير جدًا من التكرارات التكرارية. ولحل هذه المشكلات، نقترح استراتيجيتين جديدتين لتقليل عدد التكرارات في الشبكات العصبية التكرارية المخصصة لمهام LTSF: التكرار الجزئي (Segment-wise Iterations) والتنبؤ المتعدد الخطوات بالتوازي (Parallel Multi-step Forecasting - PMF). حيث تقلل الشبكات العصبية التكرارية التي تدمج هاتين الاستراتيجيتين، والمعروفة باسم SegRNN، بشكل كبير من عدد التكرارات المطلوبة لمهام LTSF، مما يؤدي إلى تحسين ملحوظ في دقة التنبؤ وسرعة الاستنتاج. وأظهرت تجارب واسعة النطاق أن SegRNN لا تتفوق فقط على أحدث النماذج القائمة على المُحَوِّل (SOTA)، بل وتقلل أيضًا من زمن التشغيل واستهلاك الذاكرة بنسبة تزيد عن 78%. وتُعد هذه الإنجازات دليلاً قوياً على أن الشبكات العصبية التكرارية لا تزال تتفوق في مهام LTSF، وتشجع على استكشاف هذا المجال بشكل أعمق باستخدام المزيد من النماذج القائمة على RNN. وسيتم إتاحة الشفرة المصدرية قريباً.