多变量时间序列预测在当代网络技术中发挥着关键作用。与传统方法中为特定时间序列应用领域构建专用模型的做法不同，本研究倡导一种超越领域边界的统一模型范式。然而，学习一个高效的跨领域模型面临以下挑战：首先，不同领域在数据特征上存在差异，例如变量数量不同，这给现有模型带来了障碍，因为这些模型对相关因素施加了过于僵化的约束；其次，模型可能难以有效区分来自不同领域的时间序列数据，导致在评估中表现不佳；第三，不同时间序列领域收敛速度的差异也可能影响模型的实际性能表现。为应对上述问题，本文提出UniTime，以实现高效的跨领域时间序列学习。具体而言，UniTime能够灵活适应具有不同特征的数据。它通过引入领域指令（domain instructions）和语言-时间序列Transformer（Language-TS Transformer），提供领域识别信息，并实现多模态对齐。此外，UniTime采用掩码（masking）策略，缓解不同领域间收敛速度不均衡的问题。大量实验结果表明，UniTime在提升当前最先进预测性能以及实现零样本迁移能力方面均表现出显著优势。