El surgimiento de las redes sociales ha contribuido en gran medida a la creación de cascadas de información. Con el tiempo, se agregan nuevos nodos a la red de cascadas, lo que significa que la red de cascadas es dinámicamente variable. Al mismo tiempo, a menudo solo hay unos pocos nodos en la red de cascadas antes de que se unan nuevos nodos. Por lo tanto, se convierte en una tarea clave predecir la difusión después de la cascada dinámica basada en el pequeño número de nodos observados en el período anterior. Sin embargo, los métodos existentes son limitados para cascadas cortas dinámicas y no pueden combinar bien la información temporal con la información estructural, por lo que en este documento se propone un nuevo modelo, MetaCaFormer, basado en meta-aprendizaje y la estructura Transformer para la predicción de cascadas cortas dinámicas. Considerando la capacidad de procesamiento limitada de las redes neuronales gráficas tradicionales para la información temporal, proponemos un modelo CaFormer basado en la estructura Transformer, que hereda la poderosa capacidad de procesamiento de Transformer para la información temporal, al mismo tiempo que considera los nodos vecinos, bordes e importancia espacial de los nodos, combinando eficazmente la información temporal y estructural. Al mismo tiempo, para mejorar la capacidad de predicción de las cascadas cortas, también fusionamos el meta-aprendizaje para que pueda adaptarse rápidamente a los datos de cascadas cortas. En este documento, MetaCaFormer se aplica a dos conjuntos de datos públicos en diferentes escenarios para experimentos que demuestran su efectividad y capacidad de generalización. Los resultados experimentales muestran que MetaCaFormer supera a los métodos de referencia actualmente disponibles.