基于RNN的方法在处理长期时间序列预测（Long-term Time Series Forecasting, LTSF）任务时，面对过长的回看窗口（look-back window）和预测时域，面临显著挑战。因此，该领域主导方法已逐渐转向Transformer、MLP和CNN等架构。RNN性能受限的根本原因在于其需要进行大量递归迭代。为解决这一问题，本文提出两种新颖策略，以减少RNN在LTSF任务中的迭代次数：分段迭代（Segment-wise Iterations）与并行多步预测（Parallel Multi-step Forecasting, PMF）。将这两种策略结合的RNN模型——SegRNN，在保持高预测精度的同时，显著降低了所需的递归迭代次数，从而在预测准确率和推理速度方面均取得显著提升。大量实验结果表明，SegRNN不仅超越了当前最先进的基于Transformer的模型，且在运行时间与内存占用方面均降低超过78%。这些成果有力证明，RNN在LTSF任务中仍具备卓越性能，为未来进一步探索基于RNN的长期时间序列预测方法提供了充分激励。源代码即将发布。