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。

本文提出了多种基于注意力机制的时间序列预测模型，如Grouped Self-Attention、MTS-Mixers和Periodformer，这些模型显著提高了预测准确性并降低了计算复杂度。研究表明，结合局部注意机制的变压器架构在长序列预测中表现优异，推动了多变量时间序列预测的发展。

本文调研了时间序列数据增强技术及其在神经网络分类中的应用，提出多种方法并进行了实证评估。研究表明，数据增强显著提高模型准确度，尤其在数据稀缺情况下。通过小波分析和新颖网络结构，探索了多变量时间序列模型的性能，强调多样化增强策略的重要性。

本文介绍了多种基于 Transformer 的时间序列预测模型，包括 PatchTST、MTS-Mixers、LightCTS、Client、MCformer、CSformer 和 SCNN。这些模型通过不同机制和结构设计，提高了预测准确性和计算效率，尤其在多变量时间序列处理上表现优异。实验结果显示，这些新模型在多个基准数据集上超越了现有技术。