Comprendre les interactions entre plusieurs agents est essentiel pour prédire de manière réaliste les trajectoires des véhicules. Les méthodes existantes tentent d’inférer ces interactions à partir des trajectoires passées observées des agents en utilisant des approches basées sur le pooling, l’attention ou les graphes, qui reposent toutes sur une approche déterministe. Toutefois, ces méthodes peuvent échouer dans des structures routières complexes, car elles ne parviennent pas à prédire les diverses interactions possibles à venir. Dans cet article, nous proposons une nouvelle approche qui exploite les informations relatives aux voies pour prédire une relation future stochastique entre les agents. Pour obtenir une estimation grossière du mouvement futur des agents, notre méthode prédit d’abord la probabilité d’occupation de points de passage au niveau des voies par les véhicules. Ensuite, nous utilisons la probabilité temporelle de passage par des voies adjacentes pour chaque paire d’agents, en supposant que les agents traversant des voies adjacentes interagiront fortement. Nous modélisons également l’interaction à l’aide d’une distribution probabiliste, ce qui permet de prendre en compte plusieurs interactions futures possibles. Cette distribution est apprise à partir de la distribution a posteriori des interactions extraite à partir des trajectoires futures réelles (ground truth). Nous validons notre méthode sur des jeux de données populaires pour la prédiction de trajectoires : nuScenes et Argoverse. Les résultats montrent que la méthode proposée permet une amélioration significative de la précision de prédiction, atteignant des performances de pointe sur le benchmark de prédiction à long terme.