人体运动预测旨在根据已知的过去运动轨迹，预测未来的姿态序列。为解决该问题，本文提出一种名为FreqMRN的人体运动预测框架，该框架同时考虑了人体骨骼的运动学结构以及运动的时间平滑特性。具体而言，FreqMRN首先通过运动注意力模块生成一个固定长度的运动历史摘要，从而避免因输入运动序列过长而导致的预测误差。随后，在所提出的时空感知、速度感知以及全局平滑性感知的损失函数监督下，FreqMRN通过设计的运动精炼模块，迭代优化预测结果。该模块在姿态空间与频域空间之间反复转换运动表示，以更有效地捕捉运动的动态特征。我们在多个标准基准数据集（包括Human3.6M、AMASS和3DPW）上对FreqMRN进行了评估。实验结果表明，无论在短期还是长期预测任务中，FreqMRN均显著优于现有方法，且展现出更强的鲁棒性。