Die Vorhersage multivariater Zeitreihen (MTS) spielt eine entscheidende Rolle in einer Vielzahl von Anwendungen. In letzter Zeit sind räumlich-zeitliche Graph-Neuronale Netze (STGNNs) zu zunehmend populären Methoden für die MTS-Vorhersage geworden. STGNNs modellieren räumliche und zeitliche Muster von MTS gemeinsam mittels Graph-Neuronaler Netze und sequenzieller Modelle und verbessern die Vorhersagegenauigkeit erheblich. Aufgrund begrenzter Modellkomplexität berücksichtigen jedoch die meisten STGNNs nur kurzfristige historische MTS-Daten, beispielsweise Daten aus den letzten sechzig Minuten. Die Muster von Zeitreihen und deren Abhängigkeiten (d. h. räumliche und zeitliche Muster) erfordern jedoch eine Analyse über langfristige historische MTS-Daten. Um dieses Problem anzugehen, schlagen wir einen neuartigen Rahmen vor, bei dem STGNNs durch ein skalierbares Vortrainingsmodell für Zeitreihen (STEP) verbessert werden. Konkret entwerfen wir ein Vortrainingsmodell, das effizient zeitliche Muster aus sehr langfristigen historischen Zeitreihen (z. B. den letzten zwei Wochen) lernt und segmentbasierte Repräsentationen generiert. Diese Repräsentationen liefern kontextuelle Informationen für die kurzfristigen Zeitreiheneingaben von STGNNs und erleichtern die Modellierung von Abhängigkeiten zwischen Zeitreihen. Experimente an drei öffentlichen realen Datensätzen zeigen, dass unser Rahmen die nachgeschalteten STGNNs erheblich verbessern kann und dass unser Vortrainingsmodell zeitliche Muster angemessen erfasst.