في عالم توقعات السلاسل الزمنية، تلعب العوامل المساعدة (Covariates) دورًا محورياً في التأثير على المتغيرات المستهدفة. هذه العوامل يمكن أن تكون مشروطة بالوقت، مثل بيانات الطقس المسجلة، أو معروفة مسبقًا مثل الأحداث التقويمية أو خطط الخصومات. ورغم أن الاستفادة من هذه العوامل قد تعزز أداء التوقعات، إلا أن العديد من نماذج التعلم العميق تعاني من صعوبة في معالجة الفجوة الزمنية بين المتغيرات، مما يعيق استخدامها بفاعلية.

لحل هذه التحديات، تم اقتراح CITRAS، وهو نموذج Transformer يعتمد على فك التشفير فقط، والذي يدمج بشكل مرن بين المتغيرات المستهدفة، والعوامل الملاحظة، والعوامل المعروفة. يوفر CITRAS قدراً عالياً من قدرات النمذجة الذاتية (Autoregressive Modeling) مع تقديم آليتين مبتكرتين داخل انتباه التباين (Cross-Variate Attention): Key-Value (KV) Shift وAttention Score Smoothing.

تساعد آلية KV Shift في دمج الجزء المستقبلي من العوامل المعروفة بسهولة في عملية التنبؤ، بينما تعمل Smoothing على تحسين الاعتماد المحلي بين العوامل المتداخلة إلى اعتمادات ذات مستوى عالمي. تجارب CITRAS أظهرت أداءً قوياً عبر مجموعة متنوعة من بيانات العالم الحقيقي، مؤكدة على قدرته الفائقة في الاستفادة من التداخلات الزمنية والعوامل المتعددة لتحسين دقة التوقعات.