Die stabilen periodischen Muster in Zeitreihendaten bilden die Grundlage für Langzeitvorhersagen. In diesem Paper untersuchen wir erstmals explizit die Modellierung dieser Periodizität, um die Leistung von Modellen bei Aufgaben der Langzeit-Zeitreihen-Vorhersage (LTSF) zu verbessern. Konkret führen wir die Technik des Residual Cycle Forecasting (RCF) ein, die lernbare rekurrente Zyklen nutzt, um die inhärenten periodischen Muster innerhalb von Sequenzen zu modellieren, und anschließend Vorhersagen an den Restkomponenten der modellierten Zyklen durchführt. Die Kombination von RCF mit einer Linearen Schicht oder einem flachen MLP ergibt die in diesem Paper vorgestellte einfache, aber leistungsstarke Methode namens CycleNet. CycleNet erreicht state-of-the-art Vorhersagegenauigkeit in mehreren Domänen, darunter Strom, Wetter und Energie, und bietet gleichzeitig erhebliche Effizienzvorteile durch eine Reduktion der benötigten Parameteranzahl um über 90 %. Darüber hinaus kann RCF als neuartige plug-and-play-Technik auch die Vorhersagegenauigkeit bestehender Modelle, wie beispielsweise PatchTST und iTransformer, erheblich verbessern. Der Quellcode ist unter folgender URL verfügbar: https://github.com/ACAT-SCUT/CycleNet.