تنبؤ الحالة المستقبلية للبيئة والوكلاء التفاعليين هو مهارة أساسية مطلوبة لكي يتمكن الوكلاء المستقلين من العمل بنجاح في العالم الحقيقي. الأبحاث السابقة في مجال التنبؤ بالسلاسل المهيكلة بناءً على نماذج المتغيرات الكامنة فرضت توزيعًا قياسيًا أحادي النمط (Uni-modal standard Gaussian prior) على المتغيرات الكامنة. هذا يسبب تحيزًا قويًا في النموذج يجعل من الصعب تمامًا التقاط متعدد النمطية (Multi-modality) لتوزيع الحالة المستقبلية. في هذا البحث، نقدم ماكينة الترميز والتشفير التباينية ذات الجريان الشرطي (CF-VAE) باستخدام تقنية الجريان المعياري الشرطي الجديدة لدينا لتقاط توزيعات شرطية معقدة متعددة النمطية للتنبؤ الفعال بالسلاسل المهيكلة. بالإضافة إلى ذلك، نقترح مخططين تنظيميين جديدين يثباتان التدريب ويتعاملان مع انهيار اللاحقة (Posterior collapse) لتحقيق تدريب مستقر وتوافق أفضل مع توزيع البيانات المستهدفة. تجاربنا على ثلاثة مجموعات بيانات للتنبؤ بالسلاسل المهيكلة متعددة النمط -- سلاسل MNIST، طائرات درون ستانفورد، و HighD -- أظهرت أن الطريقة المقترحة تحصل على نتائج رائدة في مختلف مقاييس التقييم.