La prévision de séries temporelles corrélées (CTS) joue un rôle essentiel dans de nombreuses applications pratiques, telles que la gestion du trafic et le contrôle de charge des serveurs. De nombreux modèles d'apprentissage profond ont été proposés pour améliorer la précision de la prévision CTS. Cependant, bien que ces modèles soient devenus de plus en plus complexes et gourmands en ressources computationnelles, ils peinent à améliorer significativement la précision. En prenant une direction différente, cette étude vise à développer des modèles beaucoup plus efficaces et légers qui conservent la précision tout en étant capables d'être déployés sur des appareils aux ressources limitées. Pour atteindre cet objectif, nous caractérisons les modèles populaires de prévision CTS et formulons deux observations qui indiquent des pistes pour une prévision CTS légère. Sur cette base, nous proposons le cadre LightCTS qui adopte un empilement simple d'opérateurs temporels et spatiaux au lieu d'un empilement alterné beaucoup plus coûteux en termes de calcul. De plus, LightCTS intègre des modules d'opérateurs temporels et spatiaux légers, appelés L-TCN et GL-Former, qui offrent une meilleure efficacité computationnelle sans compromettre leurs capacités d'extraction de caractéristiques. LightCTS inclut également un schéma de compression finale pour réduire les caractéristiques temporelles redondantes et accélérer les calculs ultérieurs. Les expériences menées avec des jeux de données de référence pour la prévision mono-étape et multi-étapes montrent que LightCTS est capable d'atteindre une précision quasi équivalente à l'état de l'art avec une réduction considérable des coûts computationnels et de stockage.