时空预测技术在交通、能源、气象等多个领域具有重要意义。由于时空异质性的复杂性，准确预测时空序列仍面临巨大挑战。尤其值得注意的是，当前的端到端模型受限于输入长度，常常陷入“时空幻觉”现象，即相似的输入时间序列却对应着不相似的未来值，反之亦然。为解决上述问题，本文提出一种新颖的自监督预训练框架——时空解耦掩码预训练（Spatial-Temporal-Decoupled Masked Pre-training, STD-MAE），该框架采用两个解耦的掩码自编码器，分别在空间和时间维度上重建时空序列。通过这种重建过程学习到的丰富上下文表征，可无缝集成至任意架构的下游预测模型中，从而显著提升其性能。我们在六个广泛使用的基准数据集（PEMS03、PEMS04、PEMS07、PEMS08、METR-LA 和 PEMS-BAY）上开展了系统的定量与定性评估，结果表明 STD-MAE 在多项指标上均达到当前最优水平。相关代码已开源，地址为：https://github.com/Jimmy-7664/STD-MAE。