فهم وتوقع المسارات المستقبلية للوكالات يُعد أمرًا بالغ الأهمية لتحليل السلوك، والتوجيه الروبوتي، والسيارات ذاتية القيادة، وتطبيقات أخرى ذات صلة. اعتمدت الطرق السابقة في الغالب على معالجة توقع المسار كعملية توليد متسلسل زمني. على عكس هذه الطرق، تُركّز هذه الدراسة على مسارات الوكالات من منظور "رأسي"، أي نمذجة وتوقع المسارات من خلال المجال الطيفي. يمكن لل Bands الترددية المختلفة في الطيف الطيفي للمسار أن تعكس تفضيلات الحركة للوكالات بشكل هرمي على مقاييس مختلفة. إذ يُمثّل الجزء منخفض التردد الاتجاهات الحركية العامة، بينما يُمثّل الجزء عالي التردد التغيرات الحركية الدقيقة. وبناءً على ذلك، نقترح شبكة هرمية تُسمى V$^2$2-Net، تتضمّن شبكتين فرعيتين، لتمكين النمذجة والتوقع الهرمي لمسارات الوكالات باستخدام الطيف الطيفي. تُقدّم الشبكة الفرعية لتقدير النقاط المميزة على المستوى الأولي توقعات للطيف "الأدنى" لمسارات الوكالات على عدة نطاقات ترددية "مميزة". ثم تقوم الشبكة الفرعية للترميز الطيفي على المستوى الدقيق بإجراء تداخل طيفي لاستعادة التوقعات النهائية. تُظهر النتائج التجريبية تفوق V$^2$2-Net وتميّزها على كلا معيار ETH-UCY وبيانات ستانفورد درون.