تلعب التنبؤات الزمنية متعددة المتغيرات (MTS) دورًا حيويًا في طيف واسع من التطبيقات. في الآونة الأخيرة، أصبحت الشبكات العصبية الرسومية الفضائية الزمنية (STGNNs) طريقة شائعة جدًا لتنبؤ MTS بفضل أدائها المتميز. ومع ذلك، تزداد التعقيدات في الدراسات الحديثة مع تحسينات محدودة في الأداء. يدفعنا هذا الظاهرة إلى استكشاف العوامل الحرجة في تنبؤ MTS وتصميم نموذج قوي مثل STGNNs، ولكن بشكل أكثر إيجازًا وكفاءة. في هذه الورقة، نحدد عدم تمييز العينات في كل من الأبعاد الفضائية والزمنية كعائق رئيسي، ونقترح قاعدة بسيطة وفعالة لتنبؤ MTS من خلال إضافة معلومات هوية فضائية وزمنية (STID)، والتي تحقق أفضل أداء وكفاءة معًا باستخدام شبكات متعددة الطبقات (MLPs) بسيطة. تشير هذه النتائج إلى أنه يمكننا تصميم نماذج فعالة وكفؤة طالما تحل مشكلة عدم تمييز العينات، دون أن نكون مقيدين بـ STGNNs.