Die Trajektorienvorhersage von Verkehrsteilnehmern in realen Szenarien ist herausfordernd, da deren Bewegungsmuster stochastisch und komplex sind. Frühere, auf Fußgänger ausgerichtete Ansätze konnten die komplexen Interaktionen unter Fußgängern erfolgreich modellieren, scheitern jedoch bei der Vorhersage von Trajektorien, wenn andere Arten von Verkehrsteilnehmern beteiligt sind (z. B. Fahrzeuge, Radfahrer), da sie die Teilnehmerarten ignorieren. Obwohl einige neuere Arbeiten dicht verbundene Graphen unter Verwendung von Teilnehmerlabels aufbauen, leiden sie unter überflüssigen räumlichen Interaktionen und zeitlichen Abhängigkeiten. Um diese Probleme zu lösen, stellen wir Multiclass-SGCN vor, einen Ansatz basierend auf einem sparsen Graphen-Convolution-Netzwerk zur mehrklassigen Trajektorienvorhersage, der Geschwindigkeit und Agenten-Label berücksichtigt und eine neuartige Interaktionsmaske verwendet, um adaptiv die räumlichen und zeitlichen Verbindungen zwischen Agenten basierend auf deren Interaktionswerten zu bestimmen. Der vorgeschlagene Ansatz übertrifft die State-of-the-Art-Methoden signifikant auf dem Stanford Drone Dataset und liefert realistischere und plausiblere Trajektorienvorhersagen.