Nous présentons le General Time Transformer (GTT), un modèle fondamental de type encodeur unique pour la prévision multivariée de séries temporelles en zéro-shot. Le GTT est préentraîné sur un grand jeu de données comprenant 200 millions d’échantillons de séries temporelles de haute qualité, couvrant divers domaines. Dans notre cadre proposé, la tâche de prévision multivariée de séries temporelles est formulée comme un problème de prédiction de la forme de la courbe suivante par canal, où chaque échantillon de série temporelle est représenté comme une séquence de formes de courbes non chevauchantes, aux magnitudes numériques uniformisées. Le GTT est entraîné à prédire la forme de la courbe suivante à partir d’une fenêtre de formes de courbes passées, de manière canal par canal. Les résultats expérimentaux démontrent que le GTT présente des capacités supérieures de prévision multivariée en zéro-shot sur des jeux de données de séries temporelles inédits, dépassant même certains modèles supervisés de pointe. En outre, nous étudions l’impact des paramètres du modèle GTT ainsi que de l’échelle des jeux de données d’entraînement, observant que la loi d’échelle s’applique également dans le contexte de la prévision multivariée en zéro-shot de séries temporelles.