近年来，基于Transformer的模型在时间序列预测领域受到广泛关注。尽管这类模型通常展现出令人瞩目的预测效果，但由于其注意力机制的局限性，难以充分挖掘时间序列数据中的时序依赖关系。为此，本文提出一种新型双流架构——指数块（eXponential Patch，简称xPatch），该架构引入了指数分解机制。受经典指数平滑方法的启发，xPatch创新性地设计了季节-趋势指数分解模块。此外，本文还提出一种双流结构，包含基于MLP的线性流与基于CNN的非线性流，旨在探索在非Transformer架构中采用分块（patching）与通道独立性（channel-independence）技术所带来的优势。最后，我们设计了一种鲁棒的反正切损失函数（arctangent loss function）以及一种Sigmoid形式的学习率自适应调整策略，有效抑制过拟合现象，显著提升预测性能。相关代码已开源，可访问以下仓库获取：https://github.com/stitsyuk/xPatch。