A medida que avanza la tecnología de conducción autónoma, la necesidad de garantizar la seguridad del tráfico peatonal se vuelve cada vez más prominente dentro del marco de diseño de los sistemas de conducción autónoma. La predicción de trayectorias peatonales se destaca como una tecnología fundamental que busca abordar este desafío al esforzarse por prever con precisión las trayectorias futuras de los peatones, lo que permite a los sistemas de conducción autónoma tomar decisiones oportunas y precisas. Sin embargo, los modelos de última generación suelen depender de estructuras complejas y un número sustancial de parámetros, lo que plantea desafíos para satisfacer la demanda imperativa de modelos ligeros dentro de los sistemas de conducción autónoma. Para abordar estos desafíos, introducimos el Perceptrón Multicapa Espacio-Temporal Social (Social-STGMLP), un enfoque novedoso que utiliza únicamente capas completamente conectadas y normalización de capas. Social-STGMLP opera al abstraer las trayectorias peatonales en un grafo espacio-temporal, facilitando la modelización tanto de la interacción social espacial entre los peatones como de la tendencia de movimiento temporal inherente a los propios peatones. Nuestra evaluación de Social-STGMLP revela su superioridad sobre el método de referencia, como lo evidencian los resultados experimentales que indican reducciones del 5% en el error de desplazamiento promedio (ADE) y del 17% en el error de desplazamiento final (FDE).