Pour réaliser la prédiction de trajectoire, la plupart des méthodes antérieures adoptent une approche fondée sur les paramètres, qui encode toutes les paires passé-futur d'instances observées dans les paramètres du modèle. Toutefois, cette approche fait que les paramètres du modèle sont influencés par l'ensemble des instances observées, ce qui implique qu’un grand nombre d’instances non pertinentes peuvent également intervenir dans la prédiction de la situation actuelle, perturbant ainsi les performances. Afin d’établir un lien plus explicite entre la situation actuelle et les instances passées observées, nous imitons le mécanisme de mémoire rétrospective en neuropsychologie et proposons MemoNet, une approche fondée sur les instances qui prédit les intentions de déplacement des agents en recherchant des scénarios similaires dans les données d’entraînement. Dans MemoNet, nous concevons deux banques de mémoire pour stocker explicitement des instances représentatives de l’ensemble d’entraînement, agissant comme le cortex préfrontal dans le système neural, ainsi qu’un mécanisme d’adressage de mémoire entraînable pour rechercher de manière adaptative des instances similaires à la situation actuelle dans la banque de mémoire, fonctionnant comme les ganglions de la base. Lors de la prédiction, MemoNet rappelle des souvenirs passés en utilisant le mécanisme d’adressage de mémoire pour indexer les instances pertinentes dans la banque de mémoire. Nous proposons également un système de prédiction de trajectoire en deux étapes, où la première étape consiste à utiliser MemoNet pour prédire la destination, et la deuxième étape à compléter l’intégralité de la trajectoire en fonction de la destination prédite. Les expériences montrent que MemoNet améliore l’indice FDE de 20,3 %/10,2 %/28,3 % par rapport à la meilleure méthode antérieure sur les jeux de données SDD/ETH-UCY/NBA. Les expériences démontrent également que MemoNet possède la capacité de remonter à des instances spécifiques lors de la prédiction, ce qui renforce sa capacité d’interprétabilité.