La prédiction de trajectoires des usagers de la route dans des scénarios du monde réel est un défi en raison de la nature stochastique et complexe de leurs mouvements. Les travaux antérieurs centrés sur les piétons ont réussi à modéliser les interactions complexes entre eux, mais échouent à prédire les trajectoires lorsqu’interviennent d’autres types d’usagers (par exemple, voitures, cyclistes), car ils négligent les catégories d’usagers. Bien que quelques travaux récents aient proposé des graphes fortement connectés intégrant des informations d’étiquetage des usagers, ils souffrent d’interactions spatiales et de dépendances temporelles superflues. Pour résoudre ces limitations, nous proposons Multiclass-SGCN, une approche fondée sur un réseau de convolution de graphe creux pour la prédiction de trajectoires multi-catégories, prenant en compte à la fois la vitesse et les étiquettes d’agents, et utilisant un nouveau masque d’interaction permettant de décider de manière adaptative les connexions spatiales et temporelles entre agents en fonction de leurs scores d’interaction. Cette méthode dépasse significativement les approches de pointe sur le Stanford Drone Dataset, offrant des prédictions de trajectoires plus réalistes et plausibles.