Multivariate-Zeitreihen-Vorhersage spielt in verschiedenen Bereichen wie Finanzen, Verkehrsmanagement, Energieversorgung und Gesundheitswesen eine entscheidende Rolle. Kürzliche Studien haben die Vorteile der Kanal-Unabhängigkeit hervorgehoben, um Verteilungsdrift zu widerstehen, vernachlässigen dabei jedoch Kanalkorrelationen, was die weitere Verbesserung einschränkt. Mehrere Ansätze nutzen Mechanismen wie Aufmerksamkeit oder Mixer, um diese Korrelationen zu erfassen, stoßen jedoch entweder auf übermäßige Komplexität oder verlassen sich zu stark auf die Korrelation, um unter Verteilungsdrift zufriedenstellende Ergebnisse zu erzielen, insbesondere bei einer großen Anzahl von Kanälen. Um diese Lücke zu schließen, präsentiert dieser Artikel ein effizientes MLP-basiertes Modell, den Series-cOre Fused Time Series Forecaster (SOFTS), das einen neuartigen STar Aggregate-Redistribute (STAR)-Modul integriert. Im Gegensatz zu traditionellen Ansätzen, die Kanalinteraktionen über verteilte Strukturen wie beispielsweise Aufmerksamkeit steuern, verfolgt STAR eine zentralisierte Strategie, um Effizienz zu steigern und die Abhängigkeit von der Qualität jedes einzelnen Kanals zu reduzieren. Der STAR-Modul aggregiert alle Zeitreihen zu einer globalen Kernrepräsentation, die anschließend verteilt und mit den individuellen Repräsentationen der einzelnen Zeitreihen fusioniert wird, um Kanalinteraktionen effektiv zu ermöglichen. SOFTS erreicht eine überlegene Leistung im Vergleich zu bestehenden State-of-the-Art-Methoden bei lediglich linearer Komplexität. Die breite Anwendbarkeit des STAR-Moduls in verschiedenen Vorhersagemodellen wird empirisch nachgewiesen. Für zukünftige Forschung und Entwicklung steht unser Code öffentlich unter https://github.com/Secilia-Cxy/SOFTS zur Verfügung.