本文探讨了Transformer模型在时间序列预测中的应用与改进，提出了非平稳Transformer、Periodformer和iTransformer等新模型，显著提升了预测性能和效率。同时，研究展示了局部注意机制的优势，优化了时间复杂度和内存使用，为未来研究提供了新方向。

本研究提出了一种结合感知机制和copula结构的模型，用于增强时间序列预测。该模型能够转化高维度、多模态数据为紧凑的潜在空间，通过中点推断和局部注意机制捕捉缺失样本中的依赖关系。在基准测试中，该模型相对于现有方法，在节约了一半内存资源的同时，保持了持续20%的改进。