Une meilleure compréhension par les machines des comportements des piétons permet d'accélérer les progrès dans la modélisation des interactions entre agents, tels que les véhicules autonomes et les humains. Les trajectoires des piétons ne sont pas uniquement influencées par le piéton lui-même, mais aussi par leurs interactions avec les objets environnants. Les méthodes antérieures modélisaient ces interactions à l’aide de diverses méthodes d’agrégation visant à intégrer différents états appris des piétons. Nous proposons le Réseau de neurones à convolution graphique spatio-temporel social (Social-STGCNN), qui remplace la nécessité de méthodes d’agrégation en modélisant les interactions sous forme de graphe. Nos résultats montrent une amélioration de 20 % par rapport à l’état de l’art en termes d’erreur de déplacement final (FDE), ainsi qu’une amélioration de l’erreur de déplacement moyenne (ADE) avec 8,5 fois moins de paramètres et une vitesse d’inférence jusqu’à 48 fois plus rapide que les méthodes précédemment rapportées. En outre, notre modèle est particulièrement efficace en termes de données : il dépasse l’état de l’art en ADE en n’utilisant que 20 % des données d’entraînement. Nous introduisons une fonction noyau pour encoder les interactions sociales entre piétons dans la matrice d’adjacence. Une analyse qualitative démontre que notre modèle capture des comportements sociaux attendus dans les trajectoires des piétons. Le code est disponible à l’adresse suivante : https://github.com/abduallahmohamed/Social-STGCNN.