Ces dernières années, l’application des modèles basés sur les transformateurs à la prévision de séries temporelles a suscité un intérêt croissant. Bien qu’ils offrent souvent des résultats prometteurs, l’architecture des transformateurs rencontre des difficultés à exploiter pleinement les relations temporelles présentes dans les données de séries temporelles, en raison de leur mécanisme d’attention. Dans ce travail, nous proposons xPatch, une nouvelle architecture à deux flux fondée sur une décomposition exponentielle. Inspirée des approches classiques de lissage exponentiel, xPatch introduit un module innovant de décomposition exponentielle saisonnière-tendance. Par ailleurs, nous proposons une architecture à double flux composée d’un flux linéaire basé sur un MLP et d’un flux non linéaire basé sur un CNN. Ce modèle explore les avantages de l’application de techniques de découpage (patching) et d’indépendance des canaux au sein d’un modèle n’utilisant pas de transformateur. Enfin, nous avons conçu une fonction de perte robuste basée sur la tangente arctangente ainsi qu’un schéma d’ajustement du taux d’apprentissage par sigmoïde, permettant de prévenir le surapprentissage et d’améliorer les performances de prévision. Le code est disponible à l’adresse suivante : https://github.com/stitsyuk/xPatch.