Les motifs périodiques stables présents dans les données de séries temporelles constituent la base fondamentale des prévisions à long terme. Dans cet article, nous introduisons une approche novatrice consistant à modéliser explicitement cette périodicité afin d'améliorer les performances des modèles dans les tâches de prévision à long terme (LTSF). Plus précisément, nous proposons une technique appelée Forecasting par Cycle Résiduel (RCF), qui utilise des cycles récurrents apprenables pour capturer les motifs périodiques inhérents aux séquences, puis effectue les prédictions sur les composantes résiduelles de ces cycles modélisés. En combinant RCF avec une couche linéaire ou un petit réseau de type MLP, nous obtenons une méthode simple mais puissante, nommée CycleNet. CycleNet atteint des performances de prédiction de pointe dans plusieurs domaines, notamment l’électricité, la météorologie et l’énergie, tout en offrant des avantages significatifs en termes d’efficacité, en réduisant de plus de 90 % le nombre de paramètres requis. En outre, en tant que technique plug-and-play innovante, RCF peut également améliorer de manière notable la précision de prédiction de modèles existants, tels que PatchTST et iTransformer. Le code source est disponible à l’adresse suivante : https://github.com/ACAT-SCUT/CycleNet.