Les systèmes de prévision spatio-temporelle jouent un rôle crucial dans la résolution de nombreux défis du monde réel. Dans cet article, nous explorons le potentiel de résoudre des problèmes de prévision spatio-temporelle à l’aide de modèles généraux de prévision de séries temporelles, c’est-à-dire des modèles qui ne tirent pas parti des relations spatiales entre les nœuds. Nous proposons une architecture de prévision de séries temporelles basée entièrement sur des perceptrons multicouches (all-MLP), appelée RPMixer. L’architecture all-MLP a été choisie en raison de ses récents succès aux épreuves de benchmark en prévision de séries temporelles. De plus, notre méthode exploite le comportement en ensemble des réseaux neuronaux profonds, dans lequel chaque bloc individuel du réseau agit comme un apprenant de base dans un modèle d’ensemble, particulièrement lorsque des connexions résiduelles avec application d’identité sont intégrées. En intégrant des couches de projection aléatoire dans notre modèle, nous augmentons la diversité des sorties des blocs, améliorant ainsi les performances globales du réseau. Des expériences étendues menées sur les plus grands jeux de données de benchmark en prévision spatio-temporelle démontrent que la méthode proposée surpasse les approches alternatives, y compris les modèles graphiques spatio-temporels et les modèles de prévision généraux.