EVOTS（Evolutionary Transformer Search for Time Series Forecasting）是 AbdElRahman ElSaid 等作者于 2026 年 6 月 30 日提交到 arXiv 的一篇论文，编号 arXiv:2607.00154v1，归类为机器学习（cs.LG），同时涉及人工智能（cs.AI）与神经与进化计算（cs.NE）。该研究关注一个相对少有人深入的方向：面向多变量时间序列预测的进化式神经网络架构设计。作者指出，尽管不同任务和预测设定之间差异明显，现有大多数方法仍依赖固定的 Transformer 架构，缺乏针对具体任务自动调整结构的能力。
为此，论文提出了 EVOTS 框架，用进化式神经架构搜索来发现可适配任务的 Transformer 类模型。其核心思路是把架构编码为模块化的“基因组”表示，使注意力模块、前馈模块和投影模块能够灵活组合。搜索过程中，作者引入了修复机制，在进化操作之后强制保证结构合法，从而避免生成无效架构。正是这种表示与修复机制的结合，使方法能够在不需要人工设计规则的前提下，有效探索多样化的架构空间。
实验部分使用 ETT 系列的四个基准数据集：ETTh1、ETTh2、ETTm1 和 ETTm2，并覆盖多种预测设定，包括单变量到单变量、多变量到单变量以及多变量到多变量预测，预测步长分别为 96、192、336 和 720。在多变量到多变量设定下，进化得到的架构取得了与强 Transformer 基线相当的效果，并在若干情形下实现了更低的均方误差。论文还分析了不同预测设定之间的性能差异，并报告了实际训练耗时（wall-clock time），以粗略反映计算成本。
整体而言，作者认为结果说明进化搜索能够在实际可接受的运行时间约束内，为多变量时间序列预测发现灵活且高性能的 Transformer 类架构。论文同时给出了 arXiv DOI（https://doi.org/10.1145/3795095.3805078 为相关 DOI），提交时文件大小约 424 KB。需要说明的是，论文的验证范围限于 ETT 系列四个数据集和上述预测步长，结论的普适性仍有待在更多数据与场景中检验。