Récemment, les méthodes indépendantes des canaux ont atteint des performances de pointe dans la prévision des séries temporelles multivariées (MTS). Bien qu’elles réduisent les risques de surajustement, ces approches négligent les opportunités potentielles offertes par l’exploitation de la dépendance entre canaux pour des prévisions plus précises. Nous affirmons qu’il existe des relations de décalage localisées et stationnaires entre les variables, c’est-à-dire que certaines variables retardées suivent les indicateurs précurseurs sur une courte période. L’exploitation de cette dépendance entre canaux s’avère bénéfique, car les indicateurs précurseurs fournissent des informations anticipées qui peuvent atténuer la difficulté de prédiction des variables retardées. Dans cet article, nous proposons une nouvelle méthode, nommée LIFT, qui commence par estimer efficacement, à chaque instant, les indicateurs précurseurs et leurs délais d’avance, puis permet de manière judicieuse aux variables retardées d’utiliser ces informations anticipées. LIFT fonctionne comme un module plug-in pouvant être intégré sans heurt à tout modèle de prévision de séries temporelles. Des expériences étendues sur six jeux de données réels démontrent que LIFT améliore en moyenne les méthodes de pointe de 5,5 %. Le code est disponible à l’adresse suivante : https://github.com/SJTU-Quant/LIFT.