التنبؤ بالحركة المرورية على المدى الطويل يُعدّ تحديًا كبيرًا نظرًا لتعقيد أنظمة المرور والتغير المستمر لعديد من العوامل المؤثرة. في هذه الورقة، نركّز على العوامل الفضائية-الزمنية، ونُقدّم شبكة انتباه متعددة الرسوم البيانية (GMAN) للتنبؤ بحالة المرور لفترات زمنية متعددة في مواقع مختلفة ضمن رسم بياني لشبكة الطرق. تعتمد GMAN على هيكل مشابه لـ encoder-decoder، حيث يتكون كل من المُشفِّر (encoder) والمتلقّي (decoder) من كتل انتباه فضائية-زمنية متعددة لتمثيل تأثير العوامل الفضائية-الزمنية على حالة المرور. يُشفِّر المُشفِّر الميزات المرورية المدخلة، بينما يُنبئ المتلقّي بالتسلسل الخرج. بين المُشفِّر والمتلقّي، يتم تطبيق طبقة انتباه تحويلية (transform attention layer) لتحويل الميزات المرورية المشفرة إلى تمثيلات للتسلسلات المستقبلية، والتي تُستخدم كمدخلات للمتلقّي. تعتمد آلية الانتباه التحويلية على نمذجة العلاقات المباشرة بين الفترات الزمنية الماضية والمستقبلية، مما يساعد على تقليل مشكلة تراكم الأخطاء عبر فترات التنبؤ. أظهرت النتائج التجريبية على مهامين واقعيين للتنبؤ بالحركة المرورية (أي تنبؤ حجم الحركة وسرعة الحركة) تفوق GMAN على الطرق الحالية. وبشكل خاص، في حالة التنبؤ بساعة واحدة مقبلة، تفوقت GMAN على الطرق المتطورة حديثًا بنسبة تصل إلى 4% في مقياس MAE. يمكن الوصول إلى الشفرة المصدرية عبر الرابط: https://github.com/zhengchuanpan/GMAN.