La prédiction de trajectoire est un domaine largement étudié dans de nombreux champs, et de nombreuses méthodes basées sur des modèles ainsi que des méthodes sans modèle ont été explorées. Les premières incluent des modèles basés sur des règles, géométriques ou fondés sur l'optimisation, tandis que les secondes reposent principalement sur des approches d'apprentissage profond. Dans cet article, nous proposons une nouvelle méthode combinant ces deux approches à partir d'un nouveau modèle d'équation différentielle neuronale. Notre modèle, appelé Physique Sociale Neuronale (Neural Social Physics ou NSP), est un réseau de neurones profond dans lequel nous intégrons un modèle physique explicite doté de paramètres apprenables. Ce modèle physique explicite agit comme un biais inductif puissant pour modéliser les comportements des piétons, tandis que le reste du réseau assure une forte capacité d'ajustement aux données, notamment en matière d'estimation des paramètres du système et de modélisation de la stochastique des dynamiques. Nous comparons NSP à 15 méthodes récentes d'apprentissage profond sur 6 jeux de données, et obtenons une amélioration des performances par rapport à l'état de l'art allant de 5,56 % à 70 %. En outre, nous démontrons que NSP présente une meilleure généralisation pour prédire des trajectoires plausibles dans des scénarios radicalement différents, où la densité est 2 à 5 fois supérieure à celle des données de test. Enfin, nous montrons que le modèle physique intégré dans NSP permet d'offrir des explications plausibles des comportements des piétons, contrairement aux modèles « boîte noire » d'apprentissage profond. Le code est disponible à l'adresse suivante : https://github.com/realcrane/Human-Trajectory-Prediction-via-Neural-Social-Physics.