La prédiction du mouvement humain vise à anticiper une séquence de postures futures à partir d’une trajectoire de mouvement passée. Pour résoudre ce problème, nous proposons dans ce travail FreqMRN, un cadre de prédiction du mouvement humain prenant en compte à la fois la structure cinématique du corps humain et la nature lisse dans le temps du mouvement. Plus précisément, FreqMRN génère d’abord un résumé de taille fixe de l’historique du mouvement à l’aide d’un module d’attention sur le mouvement, ce qui permet d’éviter des prédictions erronées dues à des entrées de mouvement trop longues. Ensuite, supervisé par des pertes proposées, prenant en compte à la fois les aspects spatiaux, temporels, la vitesse et la régularité globale, FreqMRN affine itérativement la prédiction du mouvement grâce à un module de raffinement du mouvement qui convertit les représentations du mouvement de manière itérative entre l’espace des poses et l’espace des fréquences. Nous évaluons FreqMRN sur plusieurs jeux de données standard, notamment Human3.6M, AMASS et 3DPW. Les résultats expérimentaux montrent que FreqMRN surpasse largement les méthodes antérieures, tant pour les prédictions à court terme que pour celles à long terme, tout en démontrant une robustesse supérieure.