Prédire le comportement humain est une tâche difficile mais essentielle pour la planification du mouvement. Elle est particulièrement complexe en raison de l'incertitude élevée et de la nature multi-modale des résultats possibles dans des domaines du monde réel tels que la conduite autonome. Au-delà de la prédiction d'une seule trajectoire MAP (Maximum A Posteriori), obtenir une distribution de probabilité précise pour l'avenir constitue un domaine d'intérêt actif. Nous présentons MultiPath, un modèle qui exploite un ensemble fixe d'ancres (anchors) correspondant à des séquences d'états futurs, représentant ainsi les modes de la distribution des trajectoires. Lors de l'inférence, notre modèle prédit une distribution discrète sur ces ancres, puis pour chaque ancre, régresse les écarts par rapport aux points de passage (waypoints) ainsi que leurs incertitudes, ce qui donne à chaque instant une distribution de type mélange gaussien. Ce modèle est efficace, nécessitant une seule passe d'inférence pour obtenir des distributions futures multi-modales, et son output est paramétrique, permettant une communication compacte et des requêtes probabilistes analytiques. Nous montrons sur plusieurs jeux de données que notre modèle atteint des prédictions plus précises, et en comparaison avec les méthodes basées sur l'échantillonnage, cela avec un ordre de grandeur moins de trajectoires.