Este estudio aborda la predicción de datos del bus CAN, un aspecto poco explorado dentro de la investigación de detección de anomalías no supervisada. Proponemos el Transformador de Atención Rápida (FGA), un enfoque novedoso diseñado para la predicción precisa y eficiente de datos del bus CAN. Este modelo utiliza una ventana de atención cruzada para optimizar la escala computacional y la extracción de características, un mecanismo de atención de una sola cabeza con compuerta en lugar de atención de múltiples cabezas, y parámetros compartidos para minimizar el tamaño del modelo. Además, una técnica de aproximación de atención lineal no sesgada generalizada acelera el cálculo del bloque de atención. En tres conjuntos de datos -Car-Hacking, SynCAN y Sensores Automotrices- el Transformador FGA logra errores cuadráticos medios raíz predichos de 1,86 x 10, 3,03 x 10 y 30,66 x 10, con velocidades de procesamiento de 2178, 2768 y 3062 fotogramas por segundo, respectivamente. El Transformador FGA proporciona la mejor precisión o precisión comparable con una mejora de velocidad que varía de 6 a 170 veces sobre los métodos existentes, subrayando su potencial para la predicción de datos del bus CAN.