يُعد تعلّم تنبؤ حركات الوكيل باستخدام الاستدلال على العلاقات أمرًا مهمًا لعدة تطبيقات. في مهام التنبؤ بالحركة، يُعد الحفاظ على التكافؤ الحركي تحت التحولات الهندسية الإقليدية والثبات في تفاعل الوكيل مبدأ أساسيًا وحيويًا. ومع ذلك، تتجاهل معظم الطرق الحالية هذه الخصائص التكافؤية والثابتة. ولسد هذه الفجوة، نقترح نموذج EqMotion، وهو نموذج فعّال للتنبؤ بالحركة يمتلك خاصية التكافؤ، مع استدلال متماسك على التفاعل. ولتحقيق التكافؤ الحركي، نقترح وحدة تعلم الميزات الهندسية التكافئة، والتي تتعلم ميزة قابلة للتحويل الإقليدي من خلال تصميمات مخصصة للعمليات التكافئة. ولاستدلال تفاعلات الوكيل، نقترح وحدة استدلال تفاعلية متماسكة، لتحقيق نمذجة تفاعل أكثر استقرارًا. ولتعزيز ميزات الحركة بشكل أكثر شمولاً، نقترح وحدة تعلم الميزة النمطية المتماسكة، والتي تتعلم ميزة نمطية ثابتة، وتتعاون مع الميزة الهندسية التكافئة لتعزيز قدرة الشبكة على التعبير. أجرينا تجارب على النموذج المقترح في أربع سيناريوهات مختلفة: ديناميكية الجسيمات، وديناميكية الجزيئات، وتنبؤ حركة الهيكل العظمي البشري، وتنبؤ مسار المشاة. أظهرت النتائج التجريبية أن طريقة التنبؤ المقترحة ليست فقط قابلة للتطبيق بشكل عام، بل تحقق أيضًا أداءً متقدمًا على جميع المهام الأربع، مع تحسن بنسبة 24.0٪ و30.1٪ و8.6٪ و9.2٪ على التوالي. يتوفر الكود على الرابط: https://github.com/MediaBrain-SJTU/EqMotion.