تنطوي التنبؤات الزمنية-المكانية لتدفق المرور على تحدي كبير نظرًا للعلاقات المكانية المعقدة والاتجاهات الديناميكية للأنماط الزمنية بين الطرق المختلفة. غالبًا ما تعتمد الإطارات الحالية على رسم بياني مكاني مُعطى وآليات معقدة لنمذجة الارتباطات المكانية والزمنية. ومع ذلك، قد تحدّ من تمثيلات محدودة للهيكل المكاني المعطى، خاصةً عند وجود اتصالات مفقودة في الشبكة، من التعلم الفعّال للعلاقات الزمنية-المكانية في هذه النماذج. لتجاوز هذه القيود، نقترح في هذا البحث شبكة عصبية رسمية مُدمجة زمنيًا-مكانياً (STFGNN) للتنبؤ بتدفق المرور. تُمكّن STFGNN من تعلّم العلاقات الزمنية-المكانية المخفية بكفاءة من خلال عملية دمج مبتكرة لعدة رسوم بيانية مكانية وزمنية، تُولَّد باستخدام طريقة تعتمد على البيانات. علاوةً على ذلك، من خلال دمج وحدة الرسم البياني المدمج هذه مع وحدة تحدّث مبتكرة (gated convolution) داخل طبقة موحدة، يمكن لـ STFGNN التعامل مع التسلسلات الطويلة. أظهرت النتائج التجريبية على عدة مجموعات بيانات مرورية عامة أن طريقةنا تحقق أداءً متميزًا مقارنةً بالأساليب الأخرى المُعتمدة كأساس (baselines) بشكل متسق.