本文提出了一种名为GOHOME的方法，该方法利用高精地图（High Definition Map）的图结构表示与稀疏投影信息，生成一个热力图输出，用于表征交通场景中某一特定交通参与者在未来位置的概率分布。该热力图以无约束的二维网格形式呈现目标代理未来可能所处位置的分布，能够自然地表达多模态预测结果，并提供对预测不确定性的量化衡量。与传统方法依赖将周围环境表示为方形图像并使用经典卷积神经网络（CNN）进行处理不同，GOHOME采用图结构导向的建模方式，避免了高计算开销，转而聚焦于代理在短期内最可能行驶的车道，从而显著提升了效率。在Argoverse运动预测基准测试中，GOHOME在MissRate$_6$6​指标上位列第二，同时相较于Argoverse第一名的方法HOME实现了显著的推理速度提升和内存占用降低。此外，我们进一步指出，热力图输出天然支持多模态集成（multimodal ensembling），通过最优集成策略，使Argoverse基准上的MissRate$_6$6​指标较原第一名方法进一步提升超过15%。最后，我们在nuScenes和Interaction两个主流轨迹预测数据集上进行了评估，均取得了当前最优（state-of-the-art）性能，充分验证了本方法的泛化能力。