يتجلى تقدم الهياكل المبنية على التعلم العميق للتنبؤ من خلال التوسع المستمر في تكويناتها المعلمية. ومع ذلك، فإن الحاجة إلى اتخاذ قرارات فورية في البيئات العملية تتطلب استراتيجية بديلة، مما يبرز ضرورة وجود شبكات ليست فقط قادرة على التكيف، بل أيضًا فعّالة في العمليات في الزمن الحقيقي. يُعد هذا التحول بالغ الأهمية في مواجهة ثلاث تحديات رئيسية تواجهها الإطارات القائمة على التعلم العميق للتنبؤ: (أ) القيود الجوهرية لآليات الترانسفورمر، التي، رغم محاولاتها الحفاظ على معلومات الترتيب، فإن فقدان المعلومات الزمنية ناتج عن الطبيعة غير الحساسة للترتيب (permutation-invariant) لآليات الانتباه الذاتي هو أمر لا مفر منه؛ (ب) عدم فعالية النماذج الخطية في التقاط التفاعلات الديناميكية داخل الإشارات السريعة التغير؛ و(ج) عدم قدرة النماذج القائمة على الأشجار على التمديد (extrapolation) خارج القيم الموجودة في مجموعة التدريب. وفي استجابة لهذه التحديات، نقدّم LTBoost، وهو هجين مُحسّن مبتكر يجمع بين نماذج تجميع خطية ونماذج قائمة على الأشجار، مصمم خصيصًا لمهمات التنبؤ الطويل الأمد بالسلاسل الزمنية (LTSF)، وقابل للتوسع في الأبعاد العالية للبيانات. يعتمد LTBoost على استراتيجية مزدوجة، تبدأ بنموذج انحدار خطي لالتقاط الاتجاهات والتعميم خارج البيانات المعروفة، مدعومًا بنموذج غير خطي قوي قائمة على الأشجار يركز على البقايا (residuals). وتُعد هذه الاستراتيجية الهجينة المُحسّنة قادرة على معالجة التحديات التي تفرضها النماذج الحالية، كما تُسهم بشكل كبير في تحسين دقة التنبؤ. وقد تم التحقق من فعالية LTBoost من خلال تجارب تجريبية أُجريت على تسعة مجموعات بيانات معيارية معروفة، حيث أظهر أداءً متفوقًا، وحقق نتائج من الطراز الرائد (state-of-the-art) في 32 حالة من أصل 36 حالة، وفقًا لمعيار الخطأ المطلق المتوسط (MAE). كما أظهرت نتائجنا تأثير ميزات التأخير (lag features) وتقنيات توحيد الإشارات (signal normalization)، مما أدى إلى تحسين إضافي في دقة التنبؤ. ويُبرز هذا النهج الهجين الفعّال الابتكار المميز لـ LTBoost، ويُظهر قدرته على حل تحديات محددة في التنبؤ، مُمهّدًا الطريق لمساهمته في مجال التنبؤ بالسلاسل الزمنية، وتمهيدًا لتطبيقه في سياقات واقعية متنوعة.