Este estudo tem como objetivo diminuir a lacuna existente entre a pesquisa (teórica) e a prática existente para a tarefa de previsão de séries temporais, ao introduzir e avaliar um novo modelo transformer-based. Este é baseado nas arquiteturas já existentes em modelos como o Frequency Enhanced Decomposed Transformer (Zhou et al., 2022) e o Patch Time Series Transformer (Nie et al., 2022), que se destacaram pela positiva em ambientes univariados e multivariados, respetivamente. O cerne desta tese é então o desenvolvimento de um modelo transformerbased, que combina elementos dos dois modelos acima mencionados. Através de diversos testes rigorosos recorrendo às métricas erro quadrático médio (MSE) e erro médio absoluto (MAE), o desempenho deste novo modelo foi comparado com os que o originaram. Em sede de conclusão as descobertas revelam que este novo modelo supera um dos modelos que o origina ainda que não supere o outro. Esta pesquisa contribui para a área da Ciência de Dados ao fornecer insights sobre a eficácia deste tipo de modelos e orientando possíveis avanços futuros para a tarefa de previsão de séries temporais.