Utilizando relaciones de ensamblaje óptimas, las empresas pueden mejorar la calidad del producto sin aumentar significativamente los costos de producción. Sin embargo, predecir errores geométricos de ensamblaje presenta un problema real desafiante en el ámbito de la fabricación. Para abordar este desafío, este documento presenta un modelo de red neuronal basado en Transformer altamente eficiente conocido como Predicción de Errores Geométricos de Ensamblaje basado en Transformer (PAGEformer). Este modelo captura con precisión las relaciones de ensamblaje de largo alcance y predice los errores finales de ensamblaje. El modelo propuesto incorpora dos características únicas: en primer lugar, un mecanismo de autoatención mejorado para manejar de manera más efectiva las dependencias de largo alcance, y en segundo lugar, la generación de información posicional sobre huecos y rellenos para capturar mejor las relaciones de ensamblaje. Este documento recopiló datos de ensamblaje reales para el plegado de palas de timón para vehículos aéreos no tripulados y estableció un Conjunto de Datos de Relaciones de Ensamblaje Mecánico (MARD) para un estudio comparativo. Para ilustrar aún más el rendimiento de PAGEformer, realizamos pruebas extensivas en un conjunto de datos a gran escala y llevamos a cabo experimentos de ablación. Los resultados experimentales demostraron una mejora del 15.3% en la precisión de PAGEformer en comparación con ARIMA en el MARD. En los conjuntos de datos abiertos ETH, Weather y ECL, la precisión de PAGEformer aumentó en un 15.17%, 17.17% y 9.5%, respectivamente, en comparación con los modelos de redes neuronales convencionales.