Deep-Learning-Methoden haben ihre Stärken in der Langzeit-Zeitreihenprognose unter Beweis gestellt. Allerdings stoßen sie häufig auf Schwierigkeiten, ein ausgewogenes Verhältnis zwischen Ausdruckskraft und rechnerischer Effizienz zu erreichen. Die Verwendung von mehrschichtigen Perzeptronen (MLPs) bietet eine kompromisslose Lösung, leidet jedoch unter zwei kritischen Problemen, die durch die inhärente punktweise Abbildungsstruktur verursacht werden: einer unzureichenden Berücksichtigung kontextueller Abhängigkeiten und einer ungenügenden Informationsbremse. Hier stellen wir das Coarsened Perceptron Network (CP-Net) vor, das durch eine Vergröberungsstrategie gekennzeichnet ist, die die oben genannten Probleme der herkömmlichen MLPs durch die Bildung von Informationsgranula anstelle einzelner zeitlicher Punkte abmildert. Das CP-Net nutzt hauptsächlich einen zweistufigen Rahmen zur Extraktion semantischer und kontextueller Muster, wodurch Korrelationen über größere Zeiträume erhalten und volatile Störungen ausgefiltert werden. Diese Leistung wird durch eine mehrskalige Architektur weiter verbessert, bei der Muster unterschiedlicher Granularität integriert werden, um eine umfassende Prognose zu erzielen. Aufgrund seiner ausschließlichen Verwendung einfacher Faltungen erreicht das CP-Net eine lineare rechnerische Komplexität und eine geringe Laufzeit, während es gegenüber der derzeitigen Standes der Technik (SOTA) auf sieben Prognosebenchmarks eine Verbesserung um 4,1 % zeigt.