近年、チャネルに依存しない手法が、多変量時系列（MTS）予測において最先端の性能を達成している。これらの手法は過剰適合のリスクを低減する一方で、チャネル間の依存関係を活用する潜在的な機会を損なっている。本研究では、変数間には局所的に定常的なリード・ラグ関係が存在すると主張する。すなわち、特定の時系列が短時間のうちに他の時系列に先行する状態が生じ得るという点に着目する。このようなチャネル依存性を活用することは有益である。なぜなら、リード指標はラグする変数の予測を困難にする要因を軽減するための前触れ情報を提供するからである。本論文では、まず各時刻においてリード指標とそのリードステップを効率的に推定し、その後、ラグする変数がリード指標からの前触れ情報を適切に活用できるように設計された新しい手法LIFTを提案する。LIFTは、任意の時系列予測手法とシームレスに連携可能なプラグイン型のアプローチとして機能する。6つの実世界データセットを用いた広範な実験により、LIFTが最先端手法の平均予測性能を5.5%向上させることを実証した。本研究のコードは、https://github.com/SJTU-Quant/LIFT にて公開されている。