الأنماط الدورية المستقرة الموجودة في بيانات السلاسل الزمنية تُشكّل الأساس لإجراء التنبؤات على المدى الطويل. في هذا البحث، نُقدّم استكشافًا رائدًا لتمثيل هذه الدورية بشكل صريح بهدف تحسين أداء النماذج في مهام التنبؤ بالسلاسل الزمنية طويلة المدى (LTSF). بشكل محدد، نُقدّم تقنية التنبؤ الدوراني المتبقية (RCF)، التي تستخدم دوائر تكرارية قابلة للتعلم لتمثيل الأنماط الدورية المتأصلة في التسلسلات، ثم تقوم بإجراء التنبؤات على المكونات المتبقية للدوائر المُنمذجة. وبدمج تقنية RCF مع طبقة خطية أو شبكة عصبية متعددة الطبقات ضيقة (shallow MLP)، نُنتج طريقة بسيطة ولكنها قوية، تُسمى CycleNet. تحقق CycleNet دقة تنبؤية متقدمة في مجالات متعددة، بما في ذلك الكهرباء والطقس والطاقة، مع تقديم ميزة كبيرة في الكفاءة من خلال تقليل كمية المعلمات المطلوبة بنسبة تزيد عن 90٪. علاوةً على ذلك، وبكونها تقنية جديدة قابلة للتطبيق بسهولة (plug-and-play)، يمكن لتقنية RCF تحسين دقة التنبؤ بشكل ملحوظ في النماذج الحالية، بما في ذلك PatchTST وiTransformer. يمكن الوصول إلى الشفرة المصدرية عبر الرابط التالي: https://github.com/ACAT-SCUT/CycleNet.