تُعدّ أنظمة التفاعلات متعددة الوكلاء شائعة في العالم، بدءًا من الأنظمة الفيزيائية البحتة وانتهاءً بأنظمة الديناميكية الاجتماعية المعقدة. في العديد من التطبيقات، يُعدّ الفهم الفعّال للوضع والتنبؤ الدقيق بالمسارات للوكلاء التفاعليين أمرًا بالغ الأهمية بالنسبة للمهام التالية، مثل اتخاذ القرار والتخطيط. في هذه الورقة، نُقدّم إطارًا عامًا للتنبؤ بالمسارات (يُسمّى EvolveGraph) يعتمد على اكتشاف وتنبؤ بالبنية الترابطية الصريحة عبر رسم بياني تفاعلي خفي بين عدة وكالات تفاعلية متنوعة. ونظرًا لعدم اليقين في السلوك المستقبلي، صُمّم النموذج لتوفير افتراضات تنبؤية متعددة الأشكال. وبما أن التفاعلات الكامنة قد تتغير حتى في حالات التغير المفاجئ، وقد تؤدي أنماط تطور مختلفة إلى نتائج مختلفة، نتناول ضرورة التفكير الترابطية الديناميكية، ونُعدّل الرسوم البيانية للتفاعل تلقائيًا وفقًا للتغيرات. كما نقدّم أيضًا نموذج تدريب مزدوج المراحل، والذي لا يُحسّن من كفاءة التدريب ويسرع من عملية التقارب فحسب، بل يعزز أيضًا أداء النموذج. وقد تم اختبار الإطار المقترح على محاكاة فيزيائية اصطناعية، بالإضافة إلى عدة مجموعات بيانات معيارية حقيقية في مجالات متنوعة. وأظهرت النتائج التجريبية أن منهجنا يحقق أداءً متقدمًا جدًا من حيث دقة التنبؤ.