تنبؤ بالمسار الخاص بمستخدمي الطرق في السيناريوهات الواقعية يُعدّ تحديًا كبيرًا نظرًا لتعقيد الأنماط الحركية التي يُظهرها هؤلاء المستخدمون، والتي تكون عشوائية إلى حد كبير. وقد حققت الدراسات السابقة التي ركزت على المشاة نجاحًا في نمذجة التفاعلات المعقدة بينهم، لكنها تفشل في توقع المسارات عندما تُضَمّ أنواع أخرى من مستخدمي الطرق (مثل السيارات أو الدراجات)، وذلك لأنها تتجاهل تصنيف المستخدمين. وعلى الرغم من أن بعض الدراسات الحديثة حاولت بناء رسوم بيانية متصلة بكثافة باستخدام معلومات تصنيف المستخدمين، إلا أنها تعاني من تفاعلات مكانيّة زائدة واعتمادات زمنية مفرطة. لمعالجة هذه المشكلات، نقترح نموذج Multiclass-SGCN، وهو نهج يعتمد على شبكة ت.Convolution رقيقة (Sparse Graph Convolution Network) لتنبؤ بالمسارات متعددة الفئات، يأخذ بعين الاعتبار معلومات السرعة وبيانات تصنيف الوكلاء (agent labels)، ويستخدم قناع تفاعل مبتكر لتحديد الاتصالات المكانية والزمنية بشكل تلقائي بناءً على درجات التفاعل بين الوكلاء. وقد أظهر النموذج المقترح أداءً متفوقًا بشكل ملحوظ مقارنة بالأساليب الحالية في ذروة الأداء على مجموعة بيانات Stanford Drone Dataset، ما أسهم في توليد تنبؤات بمسارات أكثر واقعية ومصداقية.