Les méthodes basées sur les RNN ont rencontré des difficultés dans le domaine de la prévision à long terme des séries temporelles (LTSF) lorsqu’elles sont confrontées à des fenêtres de rétrospection et des horizons de prévision excessivement longs. En conséquence, la domination dans ce domaine s’est progressivement déplacée vers des approches fondées sur les Transformers, les MLP et les CNN. Le nombre important d’itérations récurrentes constitue la cause fondamentale des limites des RNN dans les tâches de LTSF. Pour remédier à ces problèmes, nous proposons deux nouvelles stratégies visant à réduire le nombre d’itérations dans les RNN pour les tâches de LTSF : les itérations par segments et la prévision multi-étapes en parallèle (PMF). Les RNN combinant ces deux stratégies, désignés sous le nom de SegRNN, réduisent considérablement le nombre d’itérations récurrentes nécessaires pour la LTSF, entraînant ainsi des améliorations significatives en termes de précision de prévision et de vitesse d’inférence. Des expérimentations étendues démontrent que SegRNN surpassent non seulement les modèles basés sur les Transformers les plus avancés (SOTA), mais réduisent également le temps d’exécution et l’utilisation de mémoire de plus de 78 %. Ces résultats constituent une forte preuve que les RNN conservent une excellence remarquable dans les tâches de LTSF, et encouragent davantage d’explorations dans ce domaine à l’aide de méthodes fondées sur les RNN. Le code source sera bientôt disponible.