La Détection d'Anomalies Vidéo (DAV) représente une tâche de recherche à la fois complexe et importante dans le domaine de la vision par ordinateur. Ces dernières années, la Détection d'Anomalies Vidéo basée sur les poses (DAVP) a attiré une attention considérable de la communauté scientifique en raison de plusieurs avantages inhérents par rapport aux approches basées sur les pixels, malgré des performances occasionnellement sous-optimales. Plus précisément, la DAVP se distingue par une complexité computationnelle réduite, une préservation intrinsèque de la vie privée et l'atténuation des préoccupations liées à la discrimination et au biais envers certains groupes démographiques. Cet article introduit TSGAD, une nouvelle méthode de détection d'anomalies centrée sur l'humain à deux flux améliorés par des graphes, qui utilise des Autoencodeurs Variationnels (VAE) et la prédiction de trajectoires. TSGAD vise à explorer la possibilité d'utiliser les VAE comme nouvelle approche pour la DAVP centrée sur l'humain, tout en profitant des avantages de la prédiction de trajectoires. Nous démontrons l'efficacité de TSGAD grâce à des expérimentations exhaustives sur des jeux de données de référence. TSGAD montre des résultats comparables aux méthodes les plus avancées actuellement disponibles, soulignant le potentiel d'adopter les autoencodeurs variationnels. Ceci suggère une direction prometteuse pour les futures recherches. Le code source de cette étude est disponible à l'adresse suivante : https://github.com/TeCSAR-UNCC/TSGAD.