本技術報告では、自動運転における運動予測の効果的な手法を提示する。本研究では、入力表現と軌道予測にTransformerベースの手法を開発した。さらに、軌道表現の性能向上を図るため、時系列フロー・ヘッダー（Temporal Flow Header）を提案する。最終的に、効率的なK-meansアンサンブル手法を用いる。本研究で開発したTransformerネットワークおよびアンサンブル手法を用いることで、Argoverse 2 Motion Forecasting Challengeにおいて、最新のbrier-minFDEスコア1.90を達成し、優勝を果たした。