La prévision d'événements à long terme est cruciale dans divers domaines, tels que le commerce de détail, la finance, les soins de santé et les réseaux sociaux. Les méthodes traditionnelles, comme les Processus Ponctuels Temporels Marqués (MTPP), s'appuient souvent sur des modèles autorégressifs pour prédire plusieurs événements futurs. Cependant, ces modèles souffrent fréquemment de problèmes tels que la convergence vers des sorties constantes ou répétitives, ce qui limite leur efficacité et leur applicabilité générale. Pour relever ces défis, nous présentons DeTPP (Processus Ponctuels Temporels basés sur la Détection), une nouvelle approche inspirée des techniques de détection d'objets en vision par ordinateur. DeTPP utilise une fonction de perte unique basée sur l'appariement, qui sélectionne et priorise de manière sélective les événements prévisibles avec fiabilité, améliorant ainsi la précision et la diversité des prédictions lors de l'inférence. Notre méthode établit un nouveau standard en matière de prévision d'événements à long terme, réalisant jusqu'à une amélioration relative de 77 % par rapport aux méthodes MTPP et next-K existantes. L'approche hybride proposée augmente également la précision de la prédiction du prochain événement jusqu'à 2,7 % sur un grand ensemble de données transactionnelles. Il convient également de noter que DeTPP fait partie des méthodes les plus rapides pour l'inférence. L'implémentation de DeTPP est disponible publiquement sur GitHub.