Kürzliche Arbeiten haben gezeigt, dass einfache lineare Modelle mehrere auf Transformers basierende Ansätze bei der langfristigen Zeitreihenprognose übertrumpfen können. Ausgehend von dieser Erkenntnis stellen wir ein Multi-Layer-Perceptron (MLP)-basiertes Encoder-Decoder-Modell namens Time-series Dense Encoder (TiDE) für die langfristige Zeitreihenprognose vor, das die Einfachheit und Geschwindigkeit linearer Modelle beibehält, gleichzeitig jedoch Kovariaten und nichtlineare Abhängigkeiten verarbeiten kann. Theoretisch beweisen wir, dass das einfachste lineare Äquivalent unseres Modells unter gewissen Annahmen eine nahezu optimale Fehlerquote für lineare dynamische Systeme (LDS) erreichen kann. Empirisch zeigen wir, dass unsere Methode auf etablierten Benchmarks für langfristige Zeitreihenprognose mit oder sogar besser als bisherige Ansätze abschneidet, während sie gleichzeitig 5- bis 10-mal schneller ist als das beste Transformer-basierte Modell.