Dans cet article, nous proposons GOHOME, une méthode exploitant les représentations graphiques de la carte haute définition (HD Map) ainsi que des projections éparsees afin de générer une carte de chaleur (heatmap) représentant la distribution de probabilité des positions futures d’un agent donné dans une scène de trafic. Cette sortie sous forme de carte de chaleur fournit une représentation en grille 2D non contrainte des emplacements possibles futurs de l’agent, permettant ainsi de capturer naturellement la multimodalité et d’évaluer l’incertitude de la prédiction. Notre modèle orienté graphe évite le lourd coût computationnel associé à la représentation du contexte environnant sous forme d’images carrées et à son traitement par des réseaux de neurones convolutifs classiques (CNN), en se concentrant uniquement sur les voies les plus probables où l’agent pourrait se trouver dans le futur immédiat. GOHOME atteint la 2e place sur le benchmark Argoverse Motion Forecasting en termes de métrique MissRate$_6$6​, tout en offrant un gain significatif en vitesse et une réduction importante de la consommation mémoire par rapport à la méthode lauréate du classement Argoverse 1er. Nous montrons également que la sortie sous forme de carte de chaleur permet une fusion multimodale efficace, améliorant ainsi la métrique MissRate$_6$6​ de plus de 15 % par rapport à la meilleure méthode classée 1er sur Argoverse. Enfin, nous évaluons notre méthode sur d’autres jeux de données de prédiction de trajectoire, nuScenes et Interaction, où elle atteint des performances de pointe, démontrant ainsi sa généralisabilité.