Diese Arbeit stellt SparseTSF vor, ein neuartiges und äußerst leichtgewichtiges Modell für die Langzeit-Zeitreihen-Vorhersage (Long-term Time Series Forecasting, LTSF), das darauf abzielt, die Herausforderungen der Modellierung komplexer zeitlicher Abhängigkeiten über lange Vorhersagehorizonte mit minimalen rechnerischen Ressourcen zu bewältigen. Im Zentrum von SparseTSF steht die Technik des Cross-Period Sparse Forecasting, die die Vorhersageaufgabe vereinfacht, indem sie Periodizität und Trend in Zeitreihendaten entkoppelt. Diese Methode beinhaltet eine Untersampling-Operation der ursprünglichen Sequenzen, um sich auf die Vorhersage des Trends über verschiedene Perioden zu konzentrieren. Auf diese Weise werden periodische Merkmale effizient extrahiert, während die Komplexität des Modells und die Anzahl der Parameter erheblich reduziert werden. Auf Basis dieser Technik erreicht das SparseTSF-Modell mit weniger als 1k Parametern eine konkurrenzfähige oder sogar überlegene Leistung im Vergleich zu aktuellen State-of-the-Art-Modellen. Darüber hinaus zeichnet sich SparseTSF durch beachtliche Verallgemeinerungsfähigkeit aus und eignet sich daher besonders für Szenarien mit begrenzten rechnerischen Ressourcen, geringen Stichprobengrößen oder niedriger Datenausprägung. Der Quellcode ist öffentlich unter folgendem Repository verfügbar: https://github.com/lss-1138/SparseTSF.