على مدار العقود القليلة الماضية، أصبح توقع مسارات البشر مجالاً بحثياً نشطاً بفضل تطبيقاته العديدة في العالم الحقيقي: تحليل حالات الإخلاء، ونشر أنظمة النقل الذكية، وتشغيل المرور، من بين أمور أخرى. في المبادرات المبكرة، تم تصميم هذا التمثيل يدوياً بناءً على المعرفة في المجال. ومع ذلك، فإن التفاعلات الاجتماعية في البيئات المزدحمة ليست فقط متنوعة، بل غالبًا ما تكون خفية ودقيقة. في الآونة الأخيرة، تفوقت الأساليب القائمة على التعلم العميق على نظيراتها اليدوية، حيث تمكنت من تعلم تفاعلات البشر مع بعضهم البعض بطريقة أكثر شمولاً واعتماداً على البيانات. في هذا العمل، نقدم تحليلًا متعمقاً للأساليب القائمة على التعلم العميق لتمثيل التفاعلات الاجتماعية. ونُقدّم طريقتين مبنيتين على المعرفة وتعتمدان على البيانات، بهدف التقاط هذه التفاعلات الاجتماعية بكفاءة. ولتمكين مقارنة موضوعية لأداء نماذج التوقع القائمة على التفاعل، نُطوّر معياراً واسع النطاق مركّزاً على التفاعل يُسمى TrajNet++، وهو عنصر مهم وغائب حتى الآن في مجال توقع مسارات البشر. ونُقدّم مقاييس أداء جديدة تقيّم قدرة النموذج على إنتاج مسارات اجتماعية مقبولة. وقد أكدت التجارب على TrajNet++ الحاجة إلى المقاييس المقترحة، كما أن طريقة عملنا تتفوّق على النماذج التنافسية على كل من المجموعات الحقيقية والاصطناعية.