在复杂对抗空间、不完美信息即时策略对抗中，预测对手的策略对于缩小策略搜索空间，求取策略具有重要价值。在陆军兵棋中，作战单位机动的位置和方向是对战双方即时策略的重要体现，而对于对手作战单位位置的精确掌握是判断敌方意图，正确评估战场态势和利用对手策略弱点的前提条件。然而由于高程、特殊地形的遮挡关系、作战单位隐蔽伪装等原因影响，使得对抗双方通常难以观察到对方作战单位的机动行为，造成对手位置缺失的问题。对于对手行为预测的挑战在于模糊和抽象的行为决策经验描述与可计算建模的行动模型之间存在巨大的鸿沟，因此难以总结基于经验的规则对行为进行预测。

本文以陆军战术兵棋推演作为复杂对抗环境，针对不完美信息条件下对手位置缺失问题，且经验知识难获取和建模的挑战，研究基于数据的模型学习算法进行对手的行为预测。首先设计了基于数据学习的位置预测总体算法框架，给出了群体对抗下的位置预测问题定义并构建基准数据集；然后针对对手行为特征与物理对抗环境耦合的难建模问题，提出基于时空异质图建模的对抗态势演化过程表示方法，实现对态势演化过程的抽象表示；最后设计基于时空异质图的深度神经网络对手作战单位位置预测模型，从时间和空间两个角度建模作战单位之间的语义关联关系对作战单位移动位置的影响。本文的主要研究工作与创新点有：

（1）设计位置预测总体算法框架，定义群体对抗下位置预测的新问题并构建基准数据集。首先针对群体博弈环境中位置预测相关研究的空白，提出群体对抗下位置预测的新问题，重点研究单元之间关系对移动位置的影响。位置预测算法框架将对手的位置预测问题进行两个层次的分解：对抗态势表达层和对手位置预测层构建了实时制陆军兵棋位置预测基准数据集，完成了对共480场数据的解析，形成2个地图（水网稻田、山岳丛林）下的3个不同对抗规模（连级、合成营级、营级）的共4份位置预测数据集。

（2）提出基于时空异质图建模的对抗态势演化过程表示方法。针对对手行为特征与物理对抗环境耦合的难建模问题，利用图的“拓扑”性质显式的建模兵棋中作战单位之间的关联关系，具体定义了空间位置关联性、协同性和威胁性三种语义的关联关系。时空异质图中同时考虑嵌入了对抗物理环境和敌我双方的实体特征，实现对兵棋中算子位置不固定、算子间关系耦合的抽象化建模。

（3）提出基于时空异质图的深度神经网络对手作战单位位置预测模型。针对待预测作战单位的历史信息通常不充足以及其机动位置不光受到自身轨迹序列影响，也受到同一阵营其他作战单位影响和对手作战单位的影响的问题，提出嵌入时空异质图的对手作战单位位置预测模型，充分考虑了态势演化的时间依赖性和空间维度上作战单位之间不同语义的关联关系对机动位置的影响；通过图卷积模块使得每个作战单位得到与其具备关联的作战单位的信息增强；并通过深度神经网络学习不同要素之间的特征组合关系，模型相较于基线方法在top1命中率指标上在连级对抗和合成营级对抗数据集上分别取得5.13%和18.7%的性能提升。