本研究提出了一种结构化通道变换器SCFormer，克服了传统变换器在多变量时间序列预测中的局限性，显著提升了预测性能，并在多个真实数据集上取得了优异表现。

本研究提出了一种结构对齐的VAR混合模型（SAMoVAR），旨在解决自回归注意力机制在时间序列预测中的结构不匹配问题。通过重新排列多层线性注意力结构，该模型显著提升了多变量时间序列预测的性能和计算效率。

我们重新设计了Transformer架构，提出了iTransformer模型。该模型通过反转注意力机制和前馈网络的职责，成功预测多变量时间序列，并在多个数据集上表现优异，成为有效的时间序列预测替代方案。