La predicción de trayectorias peatonales es extremadamente desafiante debido a los complejos atributos sociales de los peatones. Introducir vectores latentes para modelar la multimodalidad de las trayectorias se ha convertido en la última idea de solución principal. Sin embargo, enfoques previos han pasado por alto los efectos de redundancia que surgen de la introducción de vectores latentes. Además, a menudo no consideran la interferencia inherente de los peatones sin historial de trayectoria durante el entrenamiento del modelo. Esto resulta en la incapacidad del modelo para utilizar completamente los datos de entrenamiento. Por lo tanto, proponemos una estrategia de de-perturbación de patrones de movimiento de dos etapas, que es un enfoque de plug-and-play que introduce características de optimización para modelar el efecto de redundancia causado por los vectores latentes, lo que ayuda a eliminar los efectos de redundancia en la fase de predicción de trayectorias. También proponemos máscaras de pérdida para reducir la interferencia de datos inválidos durante el entrenamiento para modelar con precisión los patrones de movimiento peatonal con una fuerte interpretabilidad física. Nuestros experimentos comparativos en los conjuntos de datos de trayectorias peatonales ETH y UCY disponibles públicamente, así como en el conjunto de datos de UAV de Stanford, muestran que nuestra estrategia de optimización logra mejores precisión en la predicción de trayectorias peatonales que una variedad de modelos de referencia de última generación; en particular, nuestra estrategia de optimización absorbe de manera efectiva los datos de entrenamiento para ayudar a los modelos de referencia a lograr una precisión de modelado óptima.