多变量时间序列（Multivariate Time Series, MTS）预测在众多应用场景中发挥着至关重要的作用。近年来，时空图神经网络（Spatial-Temporal Graph Neural Networks, STGNNs）因其卓越的性能表现，逐渐成为MTS预测领域的主流方法。然而，现有研究日益复杂化，性能提升却相对有限。这一现象促使我们深入探究MTS预测的关键影响因素，并致力于设计一种在性能上可媲美STGNNs、但结构更简洁、计算更高效的模型。本文识别出空间与时间维度上样本不可区分性（indistinguishability）是制约预测性能的核心瓶颈，并提出一种简单而有效的基准方法——通过引入空间与时间身份信息（Spatial and Temporal Identity, STID），在仅使用基础多层感知机（Multi-Layer Perceptrons, MLPs）的基础上，实现了性能与效率的双重最优。实验结果表明，只要有效解决样本的不可区分性问题，便无需依赖复杂的STGNN架构，也能设计出高效且强大的预测模型。这一发现为MTS预测模型的轻量化与高效化提供了新的思路。