التنبؤ الدقيق والفرعي بالحركة المرورية في الوقت المناسب أمر حاسم للتحكم والإرشاد في الحركة المرورية الحضرية. نظرًا لعدم الخطي العالي والتعقيد في تدفق الحركة المرورية، فإن الطرق التقليدية لا تستطيع تلبية متطلبات مهام التنبؤ على المدى المتوسط والطويل غالبًا ما تغفل عن الارتباطات المكانية والزمانية. في هذا البحث، نقترح إطارًا جديدًا للتعلم العميق، وهو شبكات التفاف الرسوم المكانية-الزمانية (Spatio-Temporal Graph Convolutional Networks - STGCN)، لمعالجة مشكلة التنبؤ بالسلسلة الزمنية في مجال الحركة المرورية. بدلاً من استخدام الوحدات التفافية ومتكررة عادية، نصيغ المشكلة على الرسوم البيانية ونقوم ببناء النموذج باستخدام هياكل تفافية كاملة، مما يمكّن من سرعة تدريب أسرع بكثير مع عدد أقل من المعلمات. أظهرت التجارب أن نموذجنا STGCN يلتقط بشكل فعال الارتباطات المكانية-الزمانية الشاملة من خلال نمذجة شبكات الحركة المرورية متعددة المقاييس ويتفوق باستمرار على أفضل النماذج الأساسية في مجموعة متنوعة من قواعد بيانات الحركة المرورية الواقعية.