La prévision des séries temporelles multivariées (MTS) joue un rôle fondamental dans un large éventail d’applications. Récemment, les réseaux de neurones graphes spatio-temporels (STGNNs) sont devenus des méthodes de prédiction MTS particulièrement populaires en raison de leurs performances de pointe. Toutefois, les travaux récents tendent à devenir de plus en plus complexes tout en offrant des améliorations limitées en termes de performance. Ce phénomène nous motive à explorer les facteurs clés de la prévision MTS et à concevoir un modèle aussi puissant que les STGNNs, mais plus concis et plus efficace. Dans cet article, nous identifions l’indiscernabilité des échantillons dans les dimensions spatiale et temporelle comme un goulot d’étranglement majeur, et proposons une base simple mais efficace pour la prévision MTS en ajoutant des informations d’identité spatiale et temporelle (STID), qui permet d’atteindre à la fois les meilleures performances et l’efficacité optimale à l’aide de simples perceptrons multicouches (MLP). Ces résultats suggèrent que l’on peut concevoir des modèles à la fois efficaces et performants, à condition de résoudre le problème de l’indiscernabilité des échantillons, sans se limiter aux STGNNs.