Comprendre et prévoir les trajectoires futures des agents est essentiel pour l’analyse du comportement, la navigation robotique, les véhicules autonomes et d’autres applications connexes. Les méthodes précédentes traitent principalement la prédiction de trajectoires comme une génération de séquences temporelles. À la différence de ces approches, ce travail étudie les trajectoires des agents sous un angle « vertical », c’est-à-dire en modélisant et en prédisant ces trajectoires à partir du domaine spectral. Les différentes bandes de fréquence présentes dans les spectres de trajectoires peuvent refléter hiérarchiquement les préférences de mouvement des agents à différentes échelles. Les composantes à basse fréquence représentent les tendances globales du mouvement, tandis que celles à haute fréquence captent les variations fines du comportement locomoteur. À cet effet, nous proposons un réseau hiérarchique, V$^2$2-Net, composé de deux sous-réseaux, permettant de modéliser et de prédire les trajectoires des agents de manière hiérarchique à partir de leurs spectres. Le premier sous-réseau, dédié à l’estimation des points clés à l’échelle grossière, prédit d’abord les « spectres minimaux » des trajectoires des agents sur plusieurs portions fréquentielles « clés ». Ensuite, le second sous-réseau, chargé de l’interpolation spectrale à l’échelle fine, reconstruit les spectres intermédiaires afin de générer les prédictions finales. Les résultats expérimentaux démontrent la compétitivité et l’efficacité supérieure de V$^2$2-Net sur les benchmarks ETH-UCY et le Stanford Drone Dataset.