Cet article propose CITRAS, un nouveau modèle qui utilise efficacement les covariables dans la prédiction des séries temporelles. Pour relever les défis des modèles existants, qui ne prennent pas en compte les différences de longueur entre les covariables futures et les variables cibles et peinent à capturer avec précision les dépendances entre les variables cibles et les covariables, CITRAS utilise de manière flexible plusieurs cibles, notamment les covariables futures, passées et futures, grâce à un transformateur spécifique au décodeur. Plus précisément, il introduit deux nouveaux mécanismes d'attention inter-variables par patch : le « décalage clé-valeur (KV) » et le « lissage du score d'attention ». Ce mécanisme intègre de manière transparente les covariables futures dans la prédiction des variables cibles et capture les dépendances inter-variables globales tout en préservant la précision locale. Les résultats expérimentaux démontrent que CITRAS surpasse les modèles de pointe sur 13 benchmarks de données réelles.
