Die Vorhersage mehrdimensionaler Zeitreihen (Multivariate Time Series, MTS) spielt eine entscheidende Rolle in einer Vielzahl von Anwendungen. In jüngster Zeit sind räumlich-zeitliche Graph-Neuronale Netze (Spatial-Temporal Graph Neural Networks, STGNNs) aufgrund ihrer herausragenden Leistung zunehmend populär geworden als Methode zur MTS-Vorhersage. Allerdings werden die Ansätze zunehmend komplexer, während die Verbesserungen der Leistung begrenzt bleiben. Dieser Trend motiviert uns, die zentralen Faktoren der MTS-Vorhersage zu untersuchen und ein Modell zu entwerfen, das die Leistungsfähigkeit von STGNNs erreicht, jedoch kompakter und effizienter ist. In diesem Artikel identifizieren wir die Ununterscheidbarkeit von Beispielen sowohl im räumlichen als auch im zeitlichen Dimension als eine zentrale Herausforderung und schlagen eine einfache, aber effektive Baseline für die MTS-Vorhersage vor, indem wir räumliche und zeitliche Identitätsinformationen (Spatial and Temporal Identity, STID) hinzufügen. Dieses Ansatz erreicht gleichzeitig die beste Leistung und Effizienz, basierend ausschließlich auf einfachen Multi-Layer Perceptrons (MLPs). Diese Ergebnisse zeigen, dass wir effiziente und leistungsfähige Modelle entwerfen können, solange wir die Ununterscheidbarkeit der Beispiele lösen – ohne dabei auf STGNNs beschränkt zu sein.