Die Vorhersage des menschlichen Bewegungsverhaltens in einer Menschenmenge ist für zahlreiche Anwendungen von großer Bedeutung, reichend von der natürlichen Navigation autonomer Fahrzeuge bis hin zu intelligenten Sicherheitssystemen in der Videoüberwachung. Alle bisherigen Ansätze modellieren und prognostizieren die Trajektorie mit einer einzigen Auflösung, was eher ineffizient ist und gleichzeitig die gleichzeitige Ausnutzung von langfristigen Informationen (z. B. dem Ziel der Trajektorie) und kurzfristigen Informationen (z. B. der Gehrichtung und -geschwindigkeit zu einem bestimmten Zeitpunkt) erschwert. In diesem Artikel stellen wir ein zeitliches Pyramiden-Netzwerk für die Fußgänger-Trajektorien-Vorhersage vor, das durch eine Squeeze-Modulation und eine Dilatations-Modulation charakterisiert ist. Unser hierarchisches Framework erstellt eine Merkmalspyramide mit zunehmend reichhaltigerer zeitlicher Information von oben nach unten, wodurch das Bewegungsverhalten auf verschiedenen Tempobereichen besser erfasst werden kann. Darüber hinaus schlagen wir eine grob-zu-fein-Fusionsstrategie mit mehrfacher Überwachung vor. Durch die schrittweise Integration der groben Merkmale des globalen Kontexts in die feinen Merkmale des reichhaltigen lokalen Kontexts kann unsere Methode sowohl die langfristigen als auch die kurzfristigen Informationen der Trajektorie optimal ausnutzen. Experimentelle Ergebnisse auf mehreren Benchmarks belegen die Überlegenheit unseres Ansatzes.