行人轨迹预测旨在根据行人的历史移动和周围环境信息预测行人的未来位置。这种能力在自动驾驶等应用中至关重要。许多现有方法利用深度学习模型来分析历史轨迹和行人之间的交互。虽然这些模型通常具有很高的预测准确性，但它们的数据驱动性质可能会导致轨迹无法准确反映行人在特定情况下的真实行为反应，缺乏可解释性。此外，大多数研究在社交互动建模过程中没有考虑特定场景信息对行人运动行为决策的影响。在本文中，我们提出了一个名为 SE-MBMP （Scene-Enhanced Social Interpretable Movement Behavior for Multimodal Pedestrian Trajectory Prediction） 的框架。通过对大量真实世界的行人移动行为数据进行聚类，SE-MBMP 构建了一个可解释的运动行为集，其中包含潜在的未来行为。此外，场景信息被纳入社交互动建模中，从而提高了预测轨迹的准确性。对 ETH 和 UCY 数据集的广泛实验表明，我们的策略分别实现了 0.32 和 0.57 的平均 ADE 和 FDE 分数，与 METF 方法相比降低了 28.1% 和 31.3%，凸显了它在轨迹预测方面的潜力。