Des travaux récents ont montré que des modèles linéaires simples peuvent surpasser plusieurs approches basées sur les Transformers dans la prévision à long terme de séries temporelles. Motivés par ces résultats, nous proposons un modèle d’encodeur-décodeur basé sur le Perceptron Multicouche (MLP), appelé Time-series Dense Encoder (TiDE), pour la prévision à long terme des séries temporelles. Ce modèle allie la simplicité et la rapidité des modèles linéaires tout en étant capable de gérer les covariables et les dépendances non linéaires. Théoriquement, nous démontrons que l’analogie linéaire la plus simple de notre modèle peut atteindre un taux d’erreur quasi-optimal pour les systèmes dynamiques linéaires (LDS) sous certaines hypothèses. Expérimentalement, nous montrons que notre méthode égale ou dépasse les approches antérieures sur des benchmarks populaires de prévision à long terme des séries temporelles, tout en étant 5 à 10 fois plus rapide que le meilleur modèle basé sur les Transformers.