相関時系列（Correlated Time Series: CTS）の予測は、交通管理やサーバー負荷制御など多くの実践的な応用において重要な役割を果たしています。多くの深層学習モデルが提案され、CTS予測の精度向上に貢献してきました。しかし、モデルがますます複雑で計算量が多くなっているにもかかわらず、精度向上には限界があります。本研究では、異なるアプローチを追求し、精度を維持しながらもはるかに効率的で軽量なモデルの開発を目指します。これらのモデルはリソース制約のあるデバイスでも展開可能なことが特徴です。この目標を達成するために、私たちは一般的なCTS予測モデルの特性を分析し、軽量なCTS予測への方向性を示す2つの観察結果を得ました。これらの観察結果に基づいて、私たちは代替スタックよりもはるかに計算コストが低い通常のスタックを使用するLightCTSフレームワークを提案します。さらに、LightCTSはL-TCNとGL-Formerと呼ばれる軽量な時間的および空間的操作モジュールを採用しており、計算効率を向上させつつ特徴抽出能力を損なわないように設計されています。LightCTSにはまた、冗長な時間的特徴を削減し、その後の計算を高速化するための最終圧縮スキームも含まれています。単一ステップおよび多段階予測ベンチマークデータセットを使用した実験では、LightCTSが大幅に低減された計算量とストレージオーバーヘッドでほぼ最先端の精度を達成できることを示しています。