预测移动主体的未来行为对于现实世界的应用至关重要。这一任务极具挑战性，因为主体的意图及其对应的行为本质上具有多模态特性，且通常未知。我们的核心洞察是：在中等时间预测范围内，未来可能的行为模式可以通过一组目标状态有效表征。基于此，我们提出了目标驱动的轨迹预测框架（Target-driven Trajectory Prediction, TNT）。TNT包含三个端到端训练的阶段：首先，通过编码主体与环境及其他主体的交互信息，预测其未来 $T$T 步可能到达的目标状态；其次，基于这些目标状态生成条件化的轨迹状态序列；最后，通过估计轨迹的似然性，筛选出一组最终的紧凑轨迹预测结果。与以往将主体意图建模为隐变量、依赖测试阶段采样以生成多样化轨迹的方法不同，TNT通过显式的目标状态建模，实现了更高效且具解释性的预测。我们在车辆与行人轨迹预测任务上对 TNT 进行了基准测试，结果表明，该方法在 Argoverse Forecasting、INTERACTION、Stanford Drone 以及我们自建的行人过街数据集（Pedestrian-at-Intersection）上均优于现有最先进方法。