Die Vorhersage vielfältiger menschlicher Bewegungen auf der Grundlage einer Reihe historischer Posen hat in letzter Zeit zunehmend an Bedeutung gewonnen. Trotz des raschen Fortschritts fangen bestehende Arbeiten die multimodale Natur menschlicher Bewegungen hauptsächlich durch wahrscheinlichkeitsbasierte Stichproben, bei denen ein Modus-Zusammenbruch häufig beobachtet wird. In dieser Arbeit schlagen wir einen einfachen, aber effektiven Ansatz vor, der zufällig generierte Codes durch eine deterministische lernfähige Komponente namens Anker entkoppelt, um die Genauigkeit und Vielfalt der Stichproben zu fördern. Die Anker werden weiter in räumliche Anker und zeitliche Anker zerlegt, die eine ansprechende Interpretierbarkeit der Kontrolle über räumlich-zeitliche Diskrepanzen bieten. Prinzipiell kann unser räumlich-zeitliches ankerbasiertes Stichprobenverfahren (STARS) auf verschiedene Bewegungsvorhersagemodelle angewendet werden. Hier stellen wir ein interaktionsverstärktes räumlich-zeitliches Graphik-Faltungss Netzwerk (IE-STGCN) vor, das a priori Wissen über menschliche Bewegungen (z.B. räumliche Lokalität) kodiert, und integrieren die Anker in dieses Netzwerk. Umfangreiche Experimente zeigen, dass unser Ansatz sowohl in stochastischen als auch in deterministischen Vorhersagen den aktuellen Stand der Technik übertreffen kann, was ihn als einheitliches Framework zur Modellierung menschlicher Bewegungen vorschlägt. Unser Code und unsere vortrainierten Modelle sind unter https://github.com/Sirui-Xu/STARS verfügbar.