時系列データに内在する安定した周期的パターンは、長期予測を行うための基盤となる。本論文では、こうした周期性を明示的にモデル化することで、長期時系列予測（LTSF）タスクにおけるモデル性能を向上させるという新たなアプローチを提案する。具体的には、学習可能な再帰的サイクルを用いて系列内の固有の周期的パターンを表現し、そのサイクルの残差成分に対して予測を行う「リジッド・サイクル予測（Residual Cycle Forecasting, RCF）」という手法を導入する。RCFを線形層または浅いMLPと組み合わせることで、本論文で提案するシンプルでありながら強力な手法、CycleNetが構築される。CycleNetは電力、気象、エネルギーなど複数の分野において最先端の予測精度を達成するとともに、必要なパラメータ数を90%以上削減するという顕著な効率性を備えている。さらに、新たなプラグアンドプレイ型技術として、PatchTSTやiTransformerといった既存モデルの予測精度を大幅に向上させる効果も示している。ソースコードは以下のURLから公開されている：https://github.com/ACAT-SCUT/CycleNet。