Die mehrdimensionale Zeitreihenprognose spielt eine entscheidende Rolle in modernen Webtechnologien. Im Gegensatz zu herkömmlichen Ansätzen, die spezifische Modelle für bestimmte Anwendungsbereiche von Zeitreihen entwickeln, befürwortet diese Forschung ein einheitliches Modellparadigma, das über dominenspezifische Grenzen hinausgeht. Die Entwicklung eines effektiven modellübergreifenden Ansatzes stellt jedoch folgende Herausforderungen dar: Erstens weisen verschiedene Domänen Unterschiede in den Datenmerkmalen auf, beispielsweise hinsichtlich der Anzahl der Variablen, was bestehende Modelle vor Probleme stellt, die starre Einschränkungen bezüglich dieser Faktoren vorgeben. Zweitens kann das Modell Schwierigkeiten haben, Daten aus unterschiedlichen Domänen zu unterscheiden, was zu suboptimalen Leistungen in unseren Bewertungen führt. Drittens können die unterschiedlichen Konvergenzraten verschiedener Zeitreihen-Domänen ebenfalls eine beeinträchtigte empirische Leistung verursachen. Um diese Probleme zu lösen, stellen wir UniTime vor, ein Ansatz zur effektiven modellübergreifenden Zeitreihenlernung. Konkret kann UniTime flexibel auf Daten mit unterschiedlichen Merkmalen abgestimmt werden. Zudem verwendet es Domänenanweisungen und einen Language-TS Transformer, um Identifikationsinformationen bereitzustellen und zwei Modalitäten zu alignieren. Außerdem setzt UniTime Maskierung ein, um die Ungleichgewichte bei der Konvergenzgeschwindigkeit verschiedener Domänen zu mildern. Unsere umfangreichen Experimente belegen die Wirksamkeit von UniTime bei der Verbesserung der aktuellen Spitzenleistung in der Prognose sowie der Zero-Shot-Übertragbarkeit.