Este artículo propone el Multiescalado Descomponible Logsparse (LDM), un novedoso marco para lograr eficiencia y eficacia en la predicción de series temporales a largo plazo. Para abordar el problema del sobreajuste de los modelos existentes a secuencias de entrada largas, LDM reduce la no estacionariedad separando patrones en diferentes escalas dentro de la serie temporal, mejora la eficiencia mediante representaciones de entrada largas comprimidas y simplifica la arquitectura mediante una asignación clara de tareas. Los resultados experimentales demuestran que LDM supera a los modelos existentes en los parámetros de predicción a largo plazo, a la vez que reduce el tiempo de entrenamiento y los costes de memoria.
