في توقع حركة المرور، حققت الشبكات العصبية التلافيفية الرسومية (GCNs)، التي تمثل تدفقات المرور كرسوم بيانية زمنية مكانيّة، أداءً متميزًا. ومع ذلك، تعتمد الطرق القائمة على GCNs حاليًا على تعريف هيوريستيكي للهيكل الرسومي كهيكل جغرافي للشبكة الطرقية، مما يتجاهل الاعتماد المحتمل للهيكل الرسومي على بيانات المرور. كما أن الهيكل الرسومي المُعرّف يكون ثابتًا (محددًا)، ويخلو من دراسة عدم اليقين المرتبط به. في هذه الورقة، نقترح نموذجًا جديدًا يُسمى "الشبكة العصبية التلافيفية الرسومية الزمنية المكانية البايزية" (BSTGCN) لتنبؤ حركة المرور. حيث يتم تعلّم هيكل الرسم البياني في شبكتنا بشكل تكاملي (end-to-end) من الهيكل الجغرافي للشبكة الطرقية وبيانات المرور، مما يمكّن من اكتشاف وصف أكثر دقة للعلاقة بين تدفقات المرور. علاوةً على ذلك، نقترح نموذجًا توليديًا معلميًا لتمثيل هيكل الرسم البياني، مما يعزز قدرة الشبكات العصبية التلافيفية الرسومية على التعميم. وتم التحقق من فعالية طريقتنا على مجموعتين من البيانات الحقيقية، وأظهرت النتائج التجريبية أن BSTGCN تحقق أداءً أفضل مقارنةً بالأساليب الرائدة في مجالها.