我们提出了一种名为基于自洽约束的运动预测自举框架（Motion Forecasting with Self-consistent Constraints, MISC）。该任务旨在通过融合历史阶段的空间与时间信息，预测车辆未来的运动轨迹。MISC 的核心设计在于引入了双一致性约束（Dual Consistency Constraints），在训练过程中对预测轨迹施加空间与时间扰动下的正则化约束，以提升模型的鲁棒性与泛化能力。此外，为有效建模运动预测中的多模态特性，我们设计了一种新颖的自集成（self-ensembling）机制，通过生成高精度的教师模型目标，实现对多模态监督下的自洽约束。得益于多个教师目标提供的显式约束，模型在预测性能上表现出显著提升。在 Argoverse 运动预测基准和 Waymo Open Motion 数据集上的大量实验表明，MISC 显著优于现有最先进方法。由于所提出策略具有通用性，且可便捷地集成至其他运动预测框架中，我们进一步验证了该方法能够持续提升多种现有方法的预测性能。