نمذجة الارتباطات المكانية والزمنية المعقدة في بيانات السلاسل الزمنية المرتبطة أمر لا غنى عنه لفهم ديناميات المرور وتوقع الحالة المستقبلية لنظام مروري متغير. تركز الدراسات الحديثة على تصميم هياكل معقدة لشبكات التعلم العصبي الرسومية لالتقاط الأنماط المشتركة بمساعدة الرسوم البيانية المحددة مسبقًا. في هذه الورقة، نجادل بأن تعلم الأنماط المحددة لكل عقدة أمر ضروري لتنبؤ حركة المرور، في حين أن الرسم البياني المحدد مسبقًا ليس ضروريًا. من أجل تحقيق ذلك، نقترح وحدتين تكيفيتين لتعزيز شبكة الت convolution الرسومية (GCN) بقدرات جديدة: 1) وحدة تعلم المعلمات التكيفية للعقد (NAPL) لالتقاط الأنماط المحددة لكل عقدة؛ 2) وحدة توليد الرسم البياني التكيفي مع البيانات (DAGG) لاستنتاج الاعتماديات المتبادلة بين سلاسل المرور المختلفة تلقائيًا. كما نقترح شبكة تكرارية متكيفة لل.Convolution الرسومية (AGCRN) لالتقاط الارتباطات المكانية والزمنية الدقيقة في سلاسل المرور تلقائيًا بناءً على الوحدتين والشبكات التكرارية. تُظهر تجاربنا على مجموعتي بيانات حقيقية لحركة المرور أن AGCRN تتفوق على أحدث الطرق المتطورة بفارق كبير دون الحاجة إلى رسم بياني محدد مسبقًا للاتصالات المكانية.