Une approche classique pour la détection d'activités anormales consiste à apprendre une représentation des activités normales à partir des données d'entraînement, puis à utiliser cette représentation apprise pour détecter les activités anormales lors des tests. Généralement, les méthodes basées sur cette approche fonctionnent à une échelle temporelle fixe — soit un instant unique (par exemple, basé sur le cadre) ou une durée de temps constante (par exemple, basée sur la séquence vidéo). Cependant, les activités anormales humaines peuvent se produire à différentes échelles temporelles. Par exemple, sauter est une anomalie à court terme et traîner est une anomalie à long terme dans un scénario de surveillance. Une seule échelle temporelle prédéfinie n'est pas suffisante pour capturer l'éventail large d'anomalies qui se produisent avec des durées de temps variées. Dans cet article, nous proposons un modèle multi-échelles temporelles pour capturer la dynamique temporelle à différentes échelles. Plus précisément, le modèle proposé effectue des prédictions futures et passées à différentes échelles temporelles pour une trajectoire de pose donnée. Le modèle est multicouche, où les couches intermédiaires sont responsables de générer des prédictions correspondant à différentes échelles temporelles. Ces prédictions sont combinées pour détecter les activités anormales. De plus, nous introduisons également un ensemble de données d'activités anormales destiné à la recherche qui contient 483 566 cadres annotés. L'ensemble de données sera disponible sur https://rodrigues-royston.github.io/Multi-timescale_Trajectory_Prediction/ Nos expériences montrent que le modèle proposé peut capturer les anomalies de différentes durées et surpasser les méthodes existantes.