تلعب التنبؤات الزمنية المتعددة المتغيرات (MTS) دورًا محوريًا في مجموعة واسعة من التطبيقات. في الآونة الأخيرة، أصبحت الشبكات العصبية الرسومية الفضائية-الزمنية (STGNNs) أساليب شائعة جدًا في التنبؤ بـ MTS. حيث تُستخدم الشبكات العصبية الرسومية والنماذج التسلسلية معًا لتمثيل الأنماط الفضائية والزمنية لـ MTS، مما يؤدي إلى تحسين كبير في دقة التنبؤ. ولكن نظرًا لتعقيد النموذج، تقتصر معظم نماذج STGNN على استخدام بيانات MTS القصيرة الأجل، مثل البيانات الخاصة بالساعة الماضية. ومع ذلك، تتطلب أنماط السلاسل الزمنية والعلاقات الترابطية بينها (أي الأنماط الزمنية والفضائية) تحليلًا يستند إلى بيانات تاريخية طويلة الأجل لـ MTS. لمعالجة هذه المشكلة، نقترح إطارًا جديدًا يُعزز فيه نموذج STGNN من خلال نموذج مُدَرَّب مسبقًا على السلاسل الزمنية قابل للتوسع (STEP). وبشكل خاص، صممنا نموذجًا مُدَرَّبًا مسبقًا لاستخلاص الأنماط الزمنية بكفاءة من سلاسل زمنية تاريخية طويلة جدًا (مثل البيانات الخاصة بأسبوعين الماضيين) وإنشاء تمثيلات على مستوى المقاطع. وتُوفّر هذه التمثيلات معلومات سياقية للبيانات القصيرة الأجل المُدخلة إلى نماذج STGNN، مما يُسهل نمذجة العلاقات الترابطية بين السلاسل الزمنية. وأظهرت التجارب على ثلاث مجموعات بيانات حقيقية عامة أن إطارنا قادِر على تحسين كبير للنماذج اللاحقة STGNN، كما أن نموذج التدريب المسبق الخاص بنا يُجسّد بدقة الأنماط الزمنية.