Aufgrund der komplexen und sich ständig verändernden Wechselwirkungen in dynamischen Szenarien stellt die Bewegungsprognose eine herausfordernde Aufgabe im Bereich des autonomen Fahrens dar. Die meisten bestehenden Ansätze nutzen statische Straßengraphen zur Beschreibung von Szenarien und sind daher begrenzt hinsichtlich der Modellierung sich entwickelnder räumlich-zeitlicher Abhängigkeiten in dynamischen Umgebungen. In diesem Artikel greifen wir auf dynamische heterogene Graphen zurück, um die Szenarien zu modellieren. Verschiedene Szenariokomponenten – einschließlich Fahrzeuge (Agenten) und Fahrstreifen – sowie mehrfache Interaktionsformen und deren zeitliche Veränderungen werden gemeinsam kodiert. Darüber hinaus entwickeln wir ein neuartiges heterogenes Graphen-Convolutional-Recurrent-Netzwerk, das unterschiedliche Interaktionsinformationen aggregiert und deren Entwicklung erfasst, um intrinsische räumlich-zeitliche Abhängigkeiten in dynamischen Graphen zu lernen und effektive Darstellungen dynamischer Szenarien zu erzeugen. Abschließend ermöglicht ein Bewegungsprognose-Decoder in unserem Modell die Vorhersage realistischer und mehrmodaler zukünftiger Trajektorien von Agenten und erreicht eine bessere Leistung als aktuelle state-of-the-art-Verfahren auf mehreren Benchmark-Datenbanken für Bewegungsprognose.