Bài báo này trình bày một phương pháp mới để giải quyết những hạn chế của đầu vào có độ dài cố định trong dự báo chuỗi thời gian dài hạn. Các mô hình học sâu hiện tại gặp phải hiện tượng quá khớp khi độ dài đầu vào tăng lên, dẫn đến độ chính xác giảm nhanh chóng. Điều này là do sự kết hợp của các mẫu đa thang đo trong chuỗi thời gian và thang đo tiêu điểm cố định của mô hình. Nghiên cứu này phát hiện ra rằng các mẫu xuất hiện ở nhiều thang đo khác nhau trong chuỗi thời gian phản ánh các đặc điểm đa chu kỳ, với mỗi thang đo tương ứng với một độ dài chu kỳ cụ thể. Hơn nữa, nghiên cứu cho thấy kích thước mã thông báo quyết định hành vi của mô hình, xác định các thang đo mà nó tập trung vào và kích thước ngữ cảnh mà nó có thể chứa. Do đó, chúng tôi đề xuất một phương pháp mới để phân tách các mẫu thời gian đa thang đo trong chuỗi thời gian và mô hình hóa mỗi mẫu như một kích thước mã thông báo đại diện cho độ dài chu kỳ tương ứng của nó. Bằng cách giới thiệu Mô-đun Phân tích Chuỗi Thời gian (MPSD) và Mạng Nơ-ron Nhận dạng Mẫu Đa Mã thông báo (MTPR), chúng tôi có thể xử lý đầu vào lâu hơn tới 10 lần, cải thiện hiệu suất lên tới 38% đồng thời giảm độ phức tạp tính toán xuống 0,22 lần và tăng cường khả năng diễn giải.
