يتعامل هذا البحث مع مشكلة التنبؤ بحركة الإنسان، والتي تتمثل في توقع أوضاع الجسم المستقبلية من سلاسل ملاحظات تاريخية. على الرغم من أن الأساليب المتقدمة توفر نتائج جيدة، إلا أنها تعتمد على هياكل تعلم عميقة ذات تعقيدات اعتباطية، مثل الشبكات العصبية المتكررة (RNN)، والمتغيرات (Transformers)، والشبكات الإدراكية الرسومية (GCN)، التي تتطلب عادةً عدة مراحل تدريب وأكثر من مليوني معلمة. في هذا البحث، نظهر أنه بعد الجمع مع سلسلة من الممارسات القياسية، مثل تطبيق تحويل الجيب التام المنفصل (DCT)، وتنبؤ النزوح البواقي للمفاصل وتحسين السرعة كخسارة معاونة، يمكن لشبكة خفيفة الوزن تعتمد على متعدد الطبقات المدرك (MLPs) والذي يحتوي فقط على 0.14 مليون معلمة أن تتخطى الأداء المتقدم حاليًا. تم إجراء تقييم شامل على قواعد البيانات Human3.6M وAMASS و3DPW، مما يظهر أن طريقتنا المسماة siMLPe تتفوق باستمرار على جميع الأساليب الأخرى. نأمل أن تكون طريقتنا البسيطة نقطة انطلاق قوية للمجتمع وأن تسمح بإعادة النظر في مشكلة التنبؤ بحركة الإنسان. الكود متاح بشكل عام في \url{https://github.com/dulucas/siMLPe}.