空間時系列予測システムは、多くの現実世界の課題に対処する上で重要な役割を果たしている。本論文では、ノード間の空間的関係を活用しない一般的な時系列予測モデル、すなわち空間的構造を考慮しないモデルを用いて空間時系列予測問題に取り組む可能性について検討する。我々は、全層が多層パーセプトロン（MLP）で構成される時間系列予測アーキテクチャ「RPMixer」を提案する。この全MLPアーキテクチャは、近年の時系列予測ベンチマークにおいて高い性能を発揮したことに基づき選定された。さらに、本手法は深層ニューラルネットワークが示すアンサンブルのような挙動に着目しており、特に恒等写像を用いた残差接続を導入することで、ネットワーク内の各個別ブロックがアンサンブルモデルにおけるベースラーナー（基本学習器）のように機能する。本モデルにランダム投影層を組み込むことで、各ブロックの出力間の多様性が向上し、ネットワーク全体の性能が向上する。最大規模の空間時系列予測ベンチマークデータセットを用いた広範な実験の結果、提案手法は空間時系列グラフモデルおよび一般的な予測モデルを含む他の手法を上回る性能を示した。