La prédiction de posture consiste à prédire les postures futures à partir d'une fenêtre de postures précédentes. Dans cet article, nous proposons un nouveau problème qui consiste à prédire les postures en utilisant des séquences de coordonnées articulaires 3D. Contrairement à la prédiction traditionnelle de posture basée sur des cadres MoCap, ce problème est plus facile à utiliser dans des applications réelles grâce à ses capteurs simples pour l'acquisition de données. Nous présentons également un nouveau cadre, PISEP² (Prédiction 3D de Posture basée sur l'Évolution d'une Séquence d'Images Pseudo), pour résoudre ce nouveau problème. Plus précisément, une représentation squelettique est proposée en transformant la séquence de coordonnées articulaires en une séquence d'images, permettant ainsi de modéliser les différentes corrélations entre les articulations. Grâce à cette représentation squelettique basée sur des images, nous modélisons la prédiction de posture comme l'évolution d'une séquence d'images. De plus, un nouveau réseau d'inférence est proposé pour prédire toutes les postures futures en une seule étape en découplant les décodeurs de manière non récursive. Comparé au modèle séquentiel récursif, notre approche permet d'améliorer considérablement l'efficacité computationnelle et d'éviter l'accumulation d'erreurs. Des expériences approfondies ont été menées sur deux jeux de données de référence (par exemple, G3D et FNTU). La méthode proposée atteint des performances de pointe sur les deux jeux de données, ce qui démontre l'efficacité de notre approche.