La prédiction du mouvement humain, c'est-à-dire la prévision des postures futures du corps à partir d'une séquence de postures observées, a généralement été abordée à l'aide de réseaux neuronaux récurrents (RNNs). Cependant, comme le montrent les travaux antérieurs, les modèles RNN résultants souffrent d'une accumulation d'erreurs de prédiction, conduisant à des discontinuités indésirables dans la prédiction du mouvement. Dans cet article, nous proposons un réseau neuronal profond simple et à alimentation directe pour la prédiction du mouvement, qui prend en compte à la fois la régularité temporelle et les dépendances spatiales entre les articulations du corps humain. Dans ce contexte, nous suggérons d'encoder l'information temporelle en travaillant dans l'espace des trajectoires plutôt que dans l'espace des postures traditionnellement utilisé. Cela nous dispense de définir manuellement la portée des dépendances temporelles (ou la taille du filtre convolutif temporel, comme cela a été fait dans les travaux précédents). De plus, la dépendance spatiale de la posture humaine est encodée en traitant une posture humaine comme un graphe générique formé par des liens entre chaque paire d'articulations corporelles. Au lieu d'utiliser une structure de graphe prédéfinie, nous concevons un nouveau réseau neuronal convolutif sur graphe pour apprendre automatiquement la connectivité du graphe. Cela permet au réseau de capturer des dépendances à long terme qui vont au-delà de celles de l'arbre cinématique humain. Nous évaluons notre approche sur plusieurs jeux de données standards pour la prédiction du mouvement, y compris Human3.6M, le jeu de données CMU Motion Capture et 3DPW. Nos expériences montrent clairement que l'approche proposée atteint des performances de pointe et peut être appliquée aux représentations des postures basées tant sur les angles que sur les positions. Le code est disponible à l'adresse suivante : https://github.com/wei-mao-2019/LearnTrajDep