多元时间序列（MTS）预测在工业过程监测、控制和优化中起着重要作用。通常，工业MTS之间的分层交互行为形成了复杂的非线性因果特征，这极大地阻碍了现有预测模型的应用。研究发现，图注意力网络（GAT）为应对这一挑战提供了技术思路。然而，节点信息的未知有向图和线性转换使得传统的GAT在工业领域不太受欢迎。在这篇文章中，我们提出了一种新的预测模型，称为具有非线性范式的时间因果图注意力网络（TC-GATN），以充分捕捉工业MTS的固有依赖性。具体来说，利用关于格兰杰因果关系的图学习算法来提取多个变量之间的潜在关系，以引导层次结构的定向边连接。然后，引入位于图邻域空间中的并行门控递归单元编码器，对节点特征进行非线性交互，实现自适应变换和传输。自我注意机制进一步用于聚合所有阶段的编码器隐藏状态。最后，补充了一个时间的模块来处理来自图层的信息，实现了令人满意的预测。通过甲醇生产和氯硅烷蒸馏的两个实际数据集验证了TC-GATN的可行性和有效性
