Wir präsentieren einen neuen Ansatz zur Bootstrapping-basierten Bewegungsvorhersage mit selbstkonsistenten Einschränkungen (MISC). Die Aufgabe der Bewegungsvorhersage besteht darin, zukünftige Trajektorien von Fahrzeugen unter Einbeziehung räumlicher und zeitlicher Informationen aus der Vergangenheit vorherzusagen. Ein zentrales Designelement von MISC sind die vorgeschlagenen Dualen Konsistenzbedingungen, die die vorhergesagten Trajektorien während des Trainings unter räumlichen und zeitlichen Störungen regularisieren. Zudem entwickeln wir ein neuartiges Selbst-Ensembling-Schema, um präzise Lehrer-Ziele zu erzeugen, um die Selbstkonsistenz mit einer Multi-Modality-Überwachung zu fördern. Durch explizite Einschränkungen aus mehreren Lehrer-Zielen beobachten wir eine deutliche Verbesserung der Vorhersageleistung. Umfangreiche Experimente auf dem Argoverse-Bewegungsvorhersage-Benchmark und dem Waymo Open Motion-Datensatz zeigen, dass MISC die state-of-the-art-Methoden signifikant übertrifft. Da die vorgeschlagenen Strategien allgemein gültig sind und leicht in andere Bewegungsvorhersagemethoden integriert werden können, demonstrieren wir zudem, dass unser Ansatz die Vorhersageleistung mehrerer bestehender Methoden konsistent verbessert.