Dans de nombreux systèmes spatiaux et temporels multi-agents, les agents opèrent sous l'influence de variables partagées et non observées (par exemple, la stratégie d'équipe mise en œuvre lors d'un match de basket-ball). Par conséquent, les trajectoires des agents sont souvent statistiquement dépendantes à chaque pas de temps ; cependant, presque universellement, les modèles multi-agents supposent implicitement que les trajectoires des agents sont statistiquement indépendantes à chaque pas de temps. Dans cet article, nous introduisons baller2vec++, une architecture Transformer multi-entités capable de modéliser efficacement des agents coordonnés. Plus précisément, baller2vec++ applique un masque d'auto-attention spécialement conçu à un mélange de séquences de positions et de trajectoires « look-ahead » pour apprendre les distributions des trajectoires d'agents statistiquement dépendants. Nous montrons que, contrairement à baller2vec (le prédécesseur de baller2vec++), baller2vec++ peut apprendre à imiter le comportement d'agents parfaitement coordonnés dans un jeu de données simulé simplifié. De plus, lorsqu'il s'agit de modéliser les trajectoires des joueurs professionnels de basket-ball, baller2vec++ surpasse baller2vec avec une large marge.