Raumzeitliche Vorhersagesysteme spielen eine entscheidende Rolle bei der Bewältigung zahlreicher realweltrelevanter Herausforderungen. In diesem Artikel untersuchen wir das Potenzial, raumzeitliche Vorhersageprobleme mit allgemeinen Zeitreihen-Vorhersagemodellen anzugehen, also Modellen, die keine räumlichen Beziehungen zwischen den Knoten ausnutzen. Wir stellen eine alle-Mehrlagen-Perzeptron-(all-MLP)-Architektur für Zeitreihenvorhersagen namens RPMixer vor. Die Wahl der all-MLP-Architektur basiert auf ihrem jüngsten Erfolg in Benchmark-Tests für Zeitreihenvorhersagen. Darüber hinaus nutzt unsere Methode das ensemble-artige Verhalten tiefer neuronaler Netze, bei dem jeder einzelne Block im Netzwerk wie ein Basislerner in einem Ensemble-Modell agiert, insbesondere wenn Identitätsabbildungs-Residualverbindungen integriert werden. Durch die Einbindung von zufälligen Projektionslayer in unser Modell erhöhen wir die Vielfalt der Ausgaben der einzelnen Blöcke, was die Gesamtleistung des Netzwerks verbessert. Umfangreiche Experimente an den größten raumzeitlichen Vorhersage-Benchmark-Datensätzen zeigen, dass die vorgeschlagene Methode alternative Ansätze übertrifft, sowohl raumzeitliche Graphmodelle als auch allgemeine Vorhersagemodelle.