RNN-basierte Methoden haben im Bereich der Langzeit-Zeitreihen-Vorhersage (Long-term Time Series Forecasting, LTSF) Schwierigkeiten bei der Behandlung extrem langer Rückblickfenster und Vorhersagehorizonte gezeigt. Daher hat sich die Dominanz in diesem Bereich zunehmend hin zu Ansätzen auf Basis von Transformer, MLP und CNN verschoben. Die große Anzahl rekurrenter Iterationen ist der grundlegende Grund für die Beschränkungen von RNNs in LTSF-Aufgaben. Um diese Probleme anzugehen, schlagen wir zwei neue Strategien vor, um die Anzahl der Iterationen in RNNs für LTSF-Aufgaben zu reduzieren: Segmentweise Iterationen und parallele Mehrschritt-Vorhersage (Parallel Multi-step Forecasting, PMF). RNNs, die beide Strategien kombinieren – bezeichnet als SegRNN – verringern erheblich die benötigte Anzahl rekurrenter Iterationen für LTSF-Aufgaben und erreichen dabei signifikante Verbesserungen hinsichtlich Vorhersagegenauigkeit und Inferenzgeschwindigkeit. Umfangreiche Experimente zeigen, dass SegRNN nicht nur state-of-the-art Transformer-basierte Modelle übertrifft, sondern zudem die Laufzeit und den Speicherverbrauch um mehr als 78 % reduziert. Diese Ergebnisse liefern starke Belege dafür, dass RNNs weiterhin hervorragende Leistungen in LTSF-Aufgaben erbringen können und die weitere Erforschung dieses Bereichs mit RNN-basierten Ansätzen nachhaltig fördern. Der Quellcode wird in Kürze verfügbar sein.