نمذجة السلاسل الزمنية المتعددة المتغيرات كانت موضوعًا جذب الباحثين من مجالات متنوعة تشمل الاقتصاد والمالية والمرور لفترة طويلة. الفرضية الأساسية وراء التنبؤ بالسلاسل الزمنية المتعددة المتغيرات هي أن متغيراتها تعتمد على بعضها البعض، ولكن عند النظر بعناية، يمكن القول إن الطرق الحالية لا تستغل بشكل كامل الارتباطات المكانية الكامنة بين أزواج المتغيرات. في السنوات الأخيرة، أظهرت شبكات الأعصاب الرسمية (GNNs) قدرة عالية في التعامل مع الارتباطات العلائقية. تتطلب شبكات الأعصاب الرسمية هياكل رسمية محددة جيدًا لنشر المعلومات، مما يعني أنها لا يمكن تطبيقها مباشرة على السلاسل الزمنية المتعددة المتغيرات حيث تكون الارتباطات غير معروفة مسبقًا. في هذا البحث، نقترح إطار عمل عام لشبكات الأعصاب الرسمية مصمم خصيصًا للبيانات السلسلة الزمنية المتعددة المتغيرات. يقترب نموذجنا من استخراج العلاقات الأحادية الاتجاه بين المتغيرات تلقائيًا عبر وحدة تعلم الرسم البياني، والتي يمكن دمج المعرفة الخارجية مثل سمات المتغير فيها بسهولة. تم اقتراح طبقة انتشار مختلطة جديدة وطبقة بداية موسعة لالتقاط الارتباطات المكانية والزمنية داخل السلسلة الزمنية. يتم تعلم وحدات تعلم الرسم البياني والالتفاف الرسومي والتجميع الزماني بشكل مشترك في إطار عمل شامل من النهاية إلى النهاية. تظهر النتائج التجريبية أن النموذج المقترح يتفوق على أفضل الأساليب الأساسية في 3 من 4 مجموعات بيانات معيارية ويحقق أداءً موازيًا للأساليب الأخرى في مجموعة بيانات المرور التي توفر معلومات هيكلية إضافية.