深層学習手法は、長期時系列予測においてその優位性を発揮している。しかし、表現力と計算効率のバランスを取ることがしばしば困難である。多層パーセプトロン（MLP）を用いるアプローチは一時的な妥協策として用いられるが、本質的な点対点写像方式に起因する二つの根本的問題、すなわち文脈依存性の不足と情報ボトルネックの不十分さに直面している。本研究では、原型となるMLPに起因するこれらの課題を緩和するため、単一時刻点の代わりに情報粒（information granules）を形成する粗化戦略を特徴とする「粗化パーセプトロンネットワーク（Coarsened Perceptron Network, CP-Net）」を提案する。CP-Netは主に二段階のフレームワークを採用し、意味的・文脈的パターンを抽出することで、長時間にわたる相関関係を保持しつつ、変動性の高いノイズを除去する。さらに、多スケール構造を導入することで、異なる粒度のパターンを統合し、包括的な予測を実現する。構造の単純さに由来する畳み込み演算のみに依拠するCP-Netは、線形の計算複雑度と低遅延を維持しつつ、7つの時系列予測ベンチマークにおいて、最先端（SOTA）手法と比較して4.1%の性能向上を達成した。