In vielen mehragenten-basierten räumlich-zeitlichen Systemen operieren die Agenten unter dem Einfluss gemeinsamer, nicht beobachtbarer Variablen (z.B. das Spiel, das ein Basketballteam ausführt). Daher sind die Trajektorien der Agenten in jedem Zeitpunkt oft statistisch abhängig voneinander; dennoch gehen fast alle Mehragentenmodelle implizit davon aus, dass die Trajektorien der Agenten in jedem Zeitpunkt statistisch unabhängig sind. In dieser Arbeit stellen wir baller2vec++ vor, einen Mehr-Entitäten-Transformer, der koordinierte Agenten effektiv modellieren kann. Insbesondere wendet baller2vec++ eine speziell entwickelte Selbst-Aufmerksamkeitsmaske auf eine Mischung aus Ortsdaten und „Vorausschau“-Trajektorienfolgen an, um die Verteilungen statistisch abhängiger Agententrajektorien zu lernen. Wir zeigen, dass baller2vec++ im Gegensatz zu baller2vec (dem Vorgänger von baller2vec++) in der Lage ist, das Verhalten perfekt koordinierter Agenten in einem simulierten Testdatensatz nachzuahmen. Darüber hinaus übertrifft baller2vec++ bei der Modellierung der Trajektorien professioneller Basketballspieler baller2vec deutlich.