تلعب التنبؤات الزمنية متعددة المتغيرات دورًا محوريًا في التقنيات الحديثة للويب. على عكس الطرق التقليدية التي تتطلب إنشاء نماذج مخصصة لكل مجال تطبيقي زمني محدد، يدعو هذا البحث إلى نموذج موحد يتجاوز الحدود بين المجالات. ومع ذلك، فإن تعلّم نموذج فعّال يتجاوز الحدود يواجه التحديات التالية: أولاً، تختلف المجالات المختلفة في خصائص البيانات، مثل عدد المتغيرات، مما يشكل عقبات أمام النماذج الحالية التي تفرض قيودًا غير مرنة على هذه العوامل. ثانيًا، قد يواجه النموذج صعوبات في التمييز بين البيانات من مجالات مختلفة، مما يؤدي إلى أداء غير مثالي في تقييمنا. ثالثًا، يمكن أن تؤدي معدلات التقارب المختلفة بين مجالات السلاسل الزمنية إلى تدهور في الأداء التجريبي. ولحل هذه المشكلات، نقترح نموذج UniTime لتمكين التعلم الفعّال عبر المجالات الزمنية. وبشكل محدد، يمكن لـ UniTime التكيّف المرن مع البيانات التي تختلف في خصائصها. كما يستخدم تعليمات المجال ومحول اللغة-السلاسل الزمنية (Language-TS Transformer) لتوفير معلومات تحديد الهوية ومحاذاة النمطين (النوعين) المختلفة. علاوةً على ذلك، يعتمد UniTime على تقنية التغطية (masking) لتخفيف مشكلة عدم التوازن في معدلات التقارب بين المجالات. وتبين تجاربنا الواسعة فعالية UniTime في تحسين الأداء التنبؤي المتطور وتمكين التحويل الصفرية (zero-shot transferability).