La prévision des séries temporelles multivariées joue un rôle fondamental dans les technologies web contemporaines. Contrairement aux méthodes classiques qui consistent à concevoir des modèles spécialisés pour des domaines d'application spécifiques, cette recherche défend un paradigme de modèle unifié, capable de transcender les frontières des domaines. Toutefois, l'apprentissage d'un modèle efficace à travers plusieurs domaines soulève plusieurs défis. Premièrement, les différents domaines présentent des caractéristiques de données hétérogènes — par exemple, un nombre variable de variables — ce qui constitue un obstacle pour les modèles existants, dont les contraintes sont rigides sur ces aspects. Deuxièmement, le modèle peut éprouver des difficultés à distinguer les données provenant de différents domaines, entraînant des performances sous-optimales dans nos évaluations. Troisièmement, les taux de convergence variés des séries temporelles selon les domaines peuvent également compromettre les performances empiriques. Pour relever ces défis, nous proposons UniTime, un cadre efficace pour l'apprentissage cross-domain des séries temporelles. Concrètement, UniTime peut s'adapter de manière flexible aux données présentant des caractéristiques variées. Il utilise des instructions de domaine ainsi qu’un modèle Language-TS Transformer afin de fournir des informations d’identification et d’aligner les deux modalités. En outre, UniTime emploie une stratégie de masquage pour atténuer les déséquilibres dans les vitesses de convergence entre domaines. Nos expériences étendues démontrent l’efficacité d’UniTime dans l’amélioration des performances de prédiction de pointe et sa capacité à transfert zéro-shot.