El desarrollo preciso de modelos y representaciones eficientes de trayectorias multivariadas es crucial para comprender los patrones de comportamiento del movimiento de peatones. La mayoría de los algoritmos existentes utilizan enfoques de aprendizaje fuera de línea para aprender dichos comportamientos de movimiento. Sin embargo, estos enfoques no pueden aprovechar las corrientes de datos disponibles después de que ha concluido el entrenamiento, y típicamente no son generalizables a datos que no han visto antes. Para resolver este problema, este artículo propone dos algoritmos para aprender diccionarios incoherentes de manera offline y online mediante la extensión del algoritmo de codificación dispersa seminegativa seminegativa aumentada (ASNSC) offline. Hacemos esto agregando una penalización en la función objetivo para promover la incoherencia del diccionario. Se estudia una aplicación de modelado de trayectorias, donde consideramos los átomos aprendidos del diccionario como primitivas de movimiento locales. Utilizamos conjuntos de datos del mundo real para mostrar que los diccionarios entrenados por los algoritmos propuestos tienen una capacidad de representación mejorada y convergen rápidamente en comparación con ASNSC. Además, los diccionarios entrenados están bien condicionados. En cuanto a la predicción de trayectorias de peatones, se muestra que los métodos propuestos están a la par (y a menudo son mejores) que los algoritmos de vanguardia en la predicción de trayectorias de peatones.