إن التنبؤ الدقيق بحركة المرور أمر بالغ الأهمية لتوجيه وإدارة حركة المرور في المدن. ومع ذلك، لا تأخذ معظم النماذج الحالية للتنبؤ بحركة المرور بعين الاعتبار عبء الحساب ومساحة الذاكرة عند التقاط الاعتماد المكاني-الزماني في بيانات المرور. في هذا العمل، نقترح شبكة ت(Convolutional Network) مُعاملةً مكانيّة-زمنيّة مُفكّكة (Factorized Spatial-Temporal Tensor Graph Convolutional Network) للتعامل مع تنبؤ سرعة المرور. حيث يتم نمذجة الشبكات المرورية وتوحيدها في شكل رسم بياني يدمج المعلومات المكانية والزمنية في آن واحد. ونقوم بتوسيع الت convolution الرسومي إلى الفضاء التنسوري، ونُقدّم شبكة ت(Convolutional Network) تنسورية-رسومية لاستخلاص ميزات أكثر تمييزًا من بيانات الرسم البياني المكانية-الزمنية. ولتقليل العبء الحسابي، نستخدم تحليل التنسور توكير (Tucker tensor decomposition) واستنتجنا تنسور التصفية المُفكّكة، الذي يُطبّق التصفية بشكل منفصل في نماذج صغيرة من الفضاء، والزمن، والسمات. علاوة على ذلك، يمكننا الاستفادة من تقليل الضوضاء في بيانات المرور عند التخلص من المكونات الثانوية أثناء عملية تحليل التنسور. وأظهرت تجارب واسعة على مجموعتين حقيقيتين من بيانات سرعة المرور أن طريقة التنبؤ المقترحة أكثر فعالية من الطرق التقليدية، وتحقق في الوقت نفسه أداءً من الدرجة الأولى (state-of-the-art).