Die effektive Modellierung menschlicher Interaktionen ist von entscheidender Bedeutung bei der Vorhersage von Verhaltensweisen wie zukünftigen Trajektorien. Jeder Individuum beeinflusst durch seine Bewegung die umgebenden Agenten, da alle den sozialen, nicht geschriebenen Regeln folgen, wie etwa der Kollisionsvermeidung oder der Gruppenanpassung. In diesem Artikel modellieren wir solche, sich kontinuierlich im Laufe der Zeit verändernden Interaktionen aus algorithmischer Sicht, d. h. als Aufgabe der Datenmanipulation. Wir stellen ein neuronales Netzwerk vor, das auf einem end-to-end trainierbaren Arbeitsgedächtnis basiert und als externe Speicherstelle fungiert, in der Informationen über jeden Agenten kontinuierlich geschrieben, aktualisiert und abgerufen werden können. Wir zeigen, dass unsere Methode in der Lage ist, erklärbare Ursache-Wirkungs-Beziehungen zwischen den Bewegungen verschiedener Agenten zu lernen und dabei die derzeit besten Ergebnisse auf mehreren Datensätzen zur Trajektorienvorhersage erzielt.