时间序列是当今行业中最常见的数据类型之一。预测时间序列行为的未来有助于提前规划、节省时间和资源，并帮助避免不希望出现的情况。为了进行预测，由于时间序列的因果性质，使用了历史数据。在这一领域已经提出了几种深度学习算法，其中通过一系列非线性函数处理输入以产生输出。我们提出了一种新的策略，以提高深度学习模型在时间序列预测中的效率，同时达到类似的效果。这种方法将模型分为多个级别，从最简单的级别开始，一直到最困难的级别。较简单的级别处理输入的平滑版本，而最复杂的级别处理原始数据。这种策略试图模仿人类的学习过程，在这个过程中，基本任务首先完成，然后是更精确和复杂的任务。我们的方法取得了很有希望的结果，与在各种时间序列中发现的最佳模型相比，均方误差提高了35%，训练时间减少了2.6次。
