यह शोधपत्र दीर्घकालिक समय श्रृंखला पूर्वानुमान में निश्चित-लंबाई इनपुट की सीमाओं को दूर करने के लिए एक नवीन विधि प्रस्तुत करता है। मौजूदा डीप लर्निंग मॉडल इनपुट लंबाई बढ़ने पर ओवरफिटिंग से ग्रस्त होते हैं, जिससे सटीकता में तेज़ी से गिरावट आती है। इसका कारण समय श्रृंखला में बहु-पैमाने पैटर्न और मॉडल के निश्चित फ़ोकस स्केल का संयोजन है। इस अध्ययन में पाया गया है कि समय श्रृंखला में विभिन्न पैमानों पर दिखाई देने वाले पैटर्न बहु-चक्र विशेषताओं को दर्शाते हैं, जिनमें प्रत्येक स्केल एक विशिष्ट चक्र लंबाई के अनुरूप होता है। इसके अलावा, यह दर्शाता है कि टोकन आकार मॉडल के व्यवहार को निर्धारित करता है, यह निर्धारित करता है कि वह किन पैमानों पर ध्यान केंद्रित करता है और वह संदर्भ आकार जिसे वह समायोजित कर सकता है। इसलिए, हम एक नवीन विधि प्रस्तावित करते हैं जो समय श्रृंखला में बहु-पैमाने कालिक पैटर्न को अलग करती है और प्रत्येक पैटर्न को उसके संगत चक्र लंबाई का प्रतिनिधित्व करने वाले टोकन आकार के रूप में मॉडल करती है। टाइम सीरीज़ डिकम्पोज़िशन मॉड्यूल (MPSD) और मल्टी-टोकन पैटर्न रिकॉग्निशन न्यूरल नेटवर्क (MTPR) को शामिल करके, हम इनपुट को 10 गुना तक लंबे समय तक संसाधित कर सकते हैं, जिससे प्रदर्शन में 38% तक सुधार होता है, साथ ही गणना संबंधी जटिलता 0.22 गुना कम हो जाती है और व्याख्यात्मकता बढ़ जाती है।
