تُظهر الطرق القائمة على التعلم العميق قدراتها المتميزة في التنبؤ بسلسلة زمنية طويلة الأمد. ومع ذلك، غالبًا ما تواجه صعوبة في تحقيق توازن بين القوة التعبيرية والكفاءة الحسابية. ورغم أن اللجوء إلى الشبكات العصبية متعددة الطبقات (MLPs) يوفر حلاً وسطًا، إلا أنها تعاني من مشكلتين جوهريتين ناتجتين عن نمط التعيين النقطي الداخلي، وهما: ضعف الاعتماد على السياق، وافتقار القناة المعلوماتية إلى الكفاية. في هذا العمل، نقترح شبكة المُشَبَّكَة المُبَسَّطَة (CP-Net)، التي تتميز باستراتيجية تبسيطية تُخفف من المشكلات المذكورة في الشبكات MLP الأصلية من خلال تشكيل وحدات معلوماتية (Information Granules) بدلًا من النقاط الزمنية الفردية. تعتمد CP-Net في المقام الأول على إطار عمل مكوّن من مرحلتين لاستخلاص الأنماط الدلالية والسياقية، مما يحافظ على العلاقات على مدى زمني أطول ويُزيل الضوضاء المتقلبة. ويُعزز هذا الأداء بشكل إضافي من خلال بيئة متعددة المقياس، حيث يتم دمج الأنماط ذات التفاصيل المختلفة لتكوين تنبؤ شامل. وبفضل الاعتماد حصريًا على عمليات التباعد (convolutions) ذات البنية البسيطة، تتمكن CP-Net من الحفاظ على التعقيد الحسابي الخطي والوقت المنفذ المنخفض، مع تحقيق تحسن بنسبة 4.1% مقارنة بالطريقة الأفضل حالياً (SOTA) على سبعة معايير تنبؤية.