نقدّم سلسلة من التعديلات التي تحسّن من الأداء السابق لنموذج Graph WaveNet القياسي في مهمة تنبؤ حركة المرور على METR-LA. يهدف هذا التحدي إلى التنبؤ بسرعة حركة المرور في كل مستشعر ضمن شبكة باستخدام القراءات السابقة لمدة ساعة واحدة. يُعدّ Graph WaveNet (GWN) نموذجًا لشبكة عصبية رياضية مدمجة (سبيو-زمنية) يُجري تبادلًا بين الت convolution الرسومي لجمع المعلومات من المستشعرات القريبة، والت convolution الموسّعة لجمع المعلومات من الماضي. ونُحسّن نموذج GWN من خلال (1) استخدام معلمات فائقة أفضل، (2) إضافة روابط تسمح بتدفق تدرجات أكبر إلى الطبقات التلافيفية المبكرة، و(3) التدريب المسبق على مهمة تنبؤ حركة المرور قصيرة المدى الأسهل. تقلّل هذه التعديلات من متوسط الخطأ المطلق بنسبة 0.06 في مهمة METR-LA، ما يقارب تقريبًا الزيادة التي حققها GWN مقارنةً بسابقه. كما تُعمّم هذه التحسينات على مجموعة بيانات PEMS-BAY، بحجم نسبي مشابه. ونُظهر أيضًا أن دمج نماذج منفصلة للتنبؤات قصيرة وطويلة المدى يُحسّن الأداء بشكل إضافي. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/sshleifer/Graph-WaveNet.