यह शोधपत्र समय श्रृंखला भविष्यवाणी में समाश्रयण समस्याओं को वर्गीकरण समस्याओं के रूप में पुनर्परिभाषित करने, वर्गों के एक निश्चित समूह के लिए भविष्यवाणियाँ करने हेतु एक सतत लक्ष्य स्थान का विच्छेदन करने पर हाल के शोध पर आधारित है। लक्ष्य मानों के बीच सापेक्ष दूरी की जानकारी खोने की समस्या का समाधान करने के लिए, जो पारंपरिक वन-हॉट एन्कोडिंग में एक सामान्य समस्या है, हम संचयी बाइनरी एन्कोडिंग (CBE) का प्रस्ताव करते हैं, जो क्रम और परिमाण की जानकारी को संरक्षित करता है। CBE का प्रभावी ढंग से उपयोग करने के लिए, हम BinConv का प्रस्ताव करते हैं, जो संभाव्यतापूर्ण भविष्यवाणी के लिए एक पूर्ण रूप से संवलनशील तंत्रिका नेटवर्क आर्किटेक्चर है। हम प्रदर्शित करते हैं कि संवलनशील परतें, जब CBE के साथ संयुक्त होती हैं, तो कम्प्यूटेशनल रूप से अधिक कुशल होती हैं और पूरी तरह से जुड़ी हुई परतों की तुलना में भविष्यवाणी प्रदर्शन में सुधार करती हैं। मानक बेंचमार्क डेटासेट पर प्रायोगिक परिणाम प्रदर्शित करते हैं कि BinConv बिंदु और संभाव्यतापूर्ण भविष्यवाणी दोनों में मौजूदा विधियों से बेहतर प्रदर्शन करता है, साथ ही कम पैरामीटर और तेज़ सीखने की गति भी प्रदान करता है।
