In diesem Paper stellen wir GOHOME vor, eine Methode, die graphenbasierte Darstellungen der High Definition Map sowie spärliche Projektionen nutzt, um eine Heatmap-Ausgabe zu generieren, die die zukünftige Positions-Wahrscheinlichkeitsverteilung für einen gegebenen Agenten in einer Verkehrsszene repräsentiert. Diese Heatmap liefert eine frei konstruierte 2D-Gitterdarstellung möglicher zukünftiger Positionen des Agenten und ermöglicht so eine natürliche Erfassung von Multimodalität sowie eine Messung der Unsicherheit der Vorhersage. Unser graphenorientiertes Modell vermeidet die hohen Rechenkosten, die mit der Darstellung der Umgebung als quadratische Bilder und deren Verarbeitung mittels klassischer CNNs verbunden sind, und konzentriert sich stattdessen ausschließlich auf die wahrscheinlichsten Fahrstreifen, auf denen sich der Agent in der unmittelbaren Zukunft befinden könnte. GOHOME erreicht den 2. Platz im Argoverse Motion Forecasting Benchmark hinsichtlich der MissRate$_6$6​-Metrik und verzeichnet gleichzeitig eine erhebliche Beschleunigung sowie eine deutliche Reduktion des Speicherverbrauchs im Vergleich zur Methode, die den 1. Platz im Argoverse 1$^{st}$st-Place-Methoden-Wettbewerb belegte. Wir weisen außerdem darauf hin, dass die Heatmap-Ausgabe eine effektive multimodale Ensembles-Integration ermöglicht und die MissRate$_6$6​-Leistung des derzeitigen 1. Platzes um mehr als 15 % verbessert, wenn unser bestes Ensemble auf Argoverse angewendet wird. Schließlich evaluieren wir unsere Methode auch auf weiteren Trajektorien-Vorhersagedatensätzen wie nuScenes und Interaction und erreichen dort state-of-the-art-Leistungen, was die Allgemeingültigkeit und Übertragbarkeit unseres Ansatzes unterstreicht.