## Memo ## Abstract 多変量時系列（MTS）予測は、多くの分類・回帰タスクにおいて極めて重要な側面である。近年、ディープラーニングモデルがMTS予測のフレームワークの主流となっている。これらのディープラーニング手法の中でも、変換モデルは、長短の依存関係を捉えることができるため、特に効果的であることが証明されている。しかし、[[Transformer]]に基づくモデルの計算複雑性が、リソースに制約のあるシナリオの障害となっている。この課題に対処するため、我々はSkip-RNNとSkip-CNNモジュールを組み込んだ、新規かつ効率的なSkip-RCNNネットワークを提案し、MTSを様々な時間間隔を持つ複数のフレームに分割する。Skip-RNNとSkip-CNNのスキップ処理のおかげで、結果として得られるネットワークは異なる受信フィールドを持つ情報を一緒に処理することができ、最先端のネットワークよりも優れた性能を達成することができる。提案手法と6つのベースラインモデルを用いて、7つの公開データセットで比較実験を行った。その結果，我々のモデルはほとんどの条件下で他のベースライン手法を精度において上回り，短いインターバルでは0.098，長いインターバルでは0.068でトランスフォーマベースのモデルを上回った．我々のSkip-RCNNネットワークは、リソースに制約のある予測シナリオの要求を満たすことができるMTS予測への有望なアプローチを提示している。