تُشكّل التنبؤات طويلة الأجل تحديات فريدة نظرًا لتعقيد الزمن والذاكرة الناتج عن معالجة التسلسلات الطويلة. تعاني الطرق الحالية، التي تعتمد على النوافذ المتحركة لمعالجة التسلسلات الطويلة، من صعوبة في التقاط التغيرات طويلة الأجل التي تقع جزئيًا داخل النافذة القصيرة (أي التغيرات الخارجية للنافذة). في هذا البحث، نقدّم منهجية جديدة تتجاوز هذه القيود من خلال استخدام التعلم المُقابل (contrastive learning) وهندسة تحليل مُحسّنة، مصمّمت خصيصًا لتركيز الانتباه على التغيرات طويلة الأجل. ولتحقيق ذلك، تدمج دالة الخسارة المُقابلة لدينا الترابط الذاتي العالمي المُحتَفَظ به في السلسلة الزمنية الكاملة، مما يُمكّن من بناء أزواج إيجابية وسلبية بطريقة ذاتية التدريب (self-supervised). وعند دمجها مع شبكات التحليل لدينا، يُحسّن التعلم المُقابل بشكل كبير أداء التنبؤات طويلة الأجل. تُظهر التجارب الواسعة أن منهجيتنا تتفوّق على 14 نموذجًا أساسيًا في عدة تجارب على تسع معايير طويلة الأجل، وبشكل خاص في السيناريوهات الصعبة التي تتطلب تنبؤات بفترة صادرة طويلة جدًا. يمكن الوصول إلى الكود المصدري من خلال الرابط التالي: https://github.com/junwoopark92/Self-Supervised-Contrastive-Forecasting.