تُعد التنبؤات المتعددة المتغيرات الزمنية ذات أهمية حاسمة في مجالات متنوعة مثل المالية وإدارة المرور والطاقة والرعاية الصحية. أظهرت الدراسات الحديثة مزايا الاستقلال القنوي في مقاومة الانزلاق التوزيعي، لكنها تتجاهل الترابطات القنوية، مما يحد من تحسينات إضافية. وتعتمد عدة طرق على آليات مثل الانتباه أو المُمزج (mixer) لمعالجة هذه المشكلة من خلال التقاط الترابطات القنوية، لكنها إما تُدخل تعقيدًا مفرطًا أو تعتمد بشكل مفرط على الترابط لتحقيق نتائج مرضية في ظل الانزلاقات التوزيعية، خاصة عند وجود عدد كبير من القنوات. وبهدف سد هذه الفجوة، تقدم هذه الورقة نموذجًا فعّالًا مبنيًا على الشبكة العصبية المتعددة الطبقات (MLP)، يُدعى مُنبِّئ السلسلة الأساسية المُدمجة (SOFTS)، والذي يدمج وحدة جديدة تُسمى STar Aggregate-Redistribute (STAR). على عكس النهج التقليدية التي تُدير تفاعلات القنوات عبر هيكل موزع، مثل آليات الانتباه، تستخدم STAR استراتيجية مركزية تُحسّن الكفاءة وتقلل الاعتماد على جودة كل قناة على حدة. حيث تُجمَع جميع السلاسل الزمنية لتكوين تمثيل جوهري عالمي، ثم يُوزَّع هذا التمثيل ويُدمج مع تمثيلات السلاسل الفردية لتمكين تفاعلات فعّالة بين القنوات. تُظهر SOFTS أداءً متفوقًا مقارنة بالأساليب الحالية المتطورة، وبمجرد التعقيد الخطي فقط. كما تم إثبات التطبيق الواسع للوحدة STAR عبر نماذج تنبؤ مختلفة من خلال تجارب تجريبية. ولتعزيز الأبحاث المستقبلية، نُشر الكود الخاص بنا بشكل مفتوح على الرابط التالي: https://github.com/Secilia-Cxy/SOFTS.