Zeitreihenprognose (TSF) ist eine wichtige Anwendung in vielen Bereichen. Es gibt eine Debatte darüber, ob Transformatoren, trotz ihrer Fähigkeit, lange Sequenzen zu verstehen, Schwierigkeiten haben, zeitliche Beziehungen in Zeitreihendaten zu bewahren. Aktuelle Forschung deutet darauf hin, dass einfachere lineare Modelle möglicherweise bessere oder zumindest vergleichbare Leistungen im Vergleich zu komplexeren Transformer-basierten Modellen für TSF-Aufgaben erzielen können. In dieser Arbeit schlagen wir eine neuartige dateneffiziente Architektur, GLinear, für multivariate TSF vor, die periodische Muster ausnutzt, um höhere Genauigkeit zu erreichen. Sie bietet zudem bessere Prognosegenauigkeit durch die Verwendung einer geringeren Menge historischer Daten im Vergleich zu anderen state-of-the-art linearen Prädiktoren. Die Leistung des vorgeschlagenen Prädiktors wird anhand von vier verschiedenen Datensätzen (ETTh1, Elektrizität, Verkehr und Wetter) evaluiert. Ein Leistungsvergleich mit state-of-the-art linearen Architekturen (wie NLinear, DLinear und RLinear) sowie mit transformer-basierten Zeitreihenprädiktoren (Autoformer) zeigt, dass GLinear trotz seiner parametrischen Effizienz in den meisten Fällen der multivariaten TSF die bestehenden Architekturen erheblich übertrifft. Wir hoffen, dass der vorgeschlagene GLinear neue Forschungs- und Entwicklungsfronten für einfachere und anspruchsvollere Architekturen zur daten- und rechnerisch effizienten Zeitreihenanalyse eröffnet.