Les systèmes d’agents interactifs sont courants dans le monde, qu’il s’agisse de systèmes physiques purs ou de systèmes dynamiques sociaux complexes. Dans de nombreuses applications, une compréhension efficace de la situation et une prédiction précise des trajectoires des agents interactifs jouent un rôle crucial dans les tâches ultérieures, telles que la prise de décision et la planification. Dans cet article, nous proposons un cadre générique de prédiction de trajectoires (nommé EvolveGraph), basé sur une reconnaissance explicite de la structure relationnelle et une prédiction via des graphes d’interaction latents entre plusieurs agents hétérogènes et interactifs. Étant donné l’incertitude des comportements futurs, le modèle est conçu pour fournir des hypothèses de prédiction multi-modales. Étant donné que les interactions sous-jacentes peuvent évoluer, même de manière brutale, et que différentes modalités d’évolution peuvent conduire à des résultats variés, nous mettons en avant la nécessité d’un raisonnement relationnel dynamique et d’une évolution adaptative des graphes d’interaction. Nous introduisons également un pipeline d’entraînement en deux étapes, qui améliore non seulement l’efficacité d’entraînement et accélère la convergence, mais aussi renforce les performances du modèle. Le cadre proposé est évalué sur des simulations physiques synthétiques ainsi que sur plusieurs jeux de données réelles de référence dans divers domaines. Les résultats expérimentaux montrent que notre approche atteint des performances de prédiction à l’état de l’art en termes de précision.