تم دراسة تعلم التمثيل على البيانات ذات الهيكل الشبكي بشكل رئيسي في بيئات الرسوم الثابتة، بينما لا تزال الجهود المبذولة لنمذجة الرسوم الديناميكية محدودة. في هذا البحث، نطور نموذجًا متغيرًا هرميًا جديدًا يُدخل متغيرات عشوائية خفية إضافية لنمذجة الحالة الخفية لمتتابع العصبي الشبكي (GRNN) بشكل مشترك من أجل التقاط التغييرات في الطوبولوجيا وخصائص العقد في الرسوم الديناميكية. ندعي أن استخدام المتغيرات العشوائية الخفية عالية المستوى في هذا النموذج المتغير GRNN (VGRNN) يمكن أن يساعد بشكل أفضل في التقاط التباين المحتمل الملاحظ في الرسوم الديناميكية وكذلك عدم اليقين في تمثيل العقد الخفي. باستخدام الاستدلال المتغير شبه الضمني الذي طورناه لهذا الهندسة الجديدة VGRNN (SI-VGRNN)، نوضح أن التمثيلات الخفية المرنة غير الجاوسية يمكن أن تساعد بشكل أكبر في مهام تحليل الرسم الديناميكي. تجاربنا مع عدة مجموعات بيانات ديناميكية حقيقية أظهرت أن SI-VGRNN و VGRNN يتفوقان بفارق كبير وبشكل مستمر على الأساليب الأساسية والرائدة القائمة في التنبؤ بالروابط الديناميكية.