التنبؤ المكاني-زماني له تطبيقات متنوعة في مجالات العلوم العصبية والمناخ ووسائل النقل. يعتبر التنبؤ بالحركة المرورية مثالاً نموذجياً لهذا النوع من المهام التعليمية. يشكل هذا المهم تحدياً بسبب (1) الارتباط المكاني المعقد في شبكات الطرق، (2) الديناميكيات الزمنية غير الخطية مع تغير ظروف الطرق، و(3) الصعوبة الذاتية للتنبؤ على المدى الطويل. لمعالجة هذه التحديات، نقترح نمذجة تدفق الحركة المرورية كعملية انتشار على الرسم البياني الموجه وتقديم شبكة العصبونات المتكررة ذات التفاف الانتشار (DCRNN)، وهي إطار عميق للتعلم الآلي يستخدم في التنبؤ بالحركة المرورية ويضم كل من الارتباط المكاني والزمني في تدفق الحركة. بصفة خاصة، يتم التقاط الارتباط المكاني باستخدام المشي العشوائي ثنائي الاتجاه على الرسم البياني، بينما يتم التعامل مع الارتباط الزمني باستخدام هندسة الكودر-الفاصر مع العينات الجدولية. قمنا بتقييم الإطار على مجموعتين كبيرتين من بيانات الحركة المرورية الفعلية لشبكات الطرق وألاحظنا تحسيناً ثابتاً بنسبة 12٪ إلى 15٪ مقارنة بأفضل الأساليب الموجودة حالياً.