تتطلب بيانات حالة المرور، مثل السرعة والحجم ووقت السفر التي يتم جمعها من أجهزة استشعار مراقبة المرور الواسعة الانتشار، تحليلات متقدمة على مستوى الشبكة للتنبؤ بحالات المرور وتحديد الأنماط المرورية المهمة. في هذا البحث، تم الاستفادة من مجموعات بيانات حالة المرور المتنوعة من نظام قياس الأداء التابع لـ Caltrans (PeMS)، المُضمن على منصة معيارية مفتوحة، وتم تحقيق أداء متميز مقارنةً بنماذج الزمكان المعروفة جيدًا. مستلهمين من النجاح الذي حققته الهياكل الهرمية في مهام الذكاء الاصطناعي المختلفة، قمنا بدمج حالات الخلايا والحالات الخفية من شبكات التذكّر الطويل القصير (LSTM) من المستوى المنخفض إلى المستوى العالي، باستخدام آلية تجميع انتباه (attention pooling)، مشابهة لأنظمة الإدراك البشري. تم تصميم البنية الهرمية المطورة لاعتبار الاعتماديات عبر مقياس زمني مختلف، وتمكّن من التقاط الارتباطات الزمكانية لحالات المرور على مستوى الشبكة، مما يتيح التنبؤ بحالة المرور في جميع الممرات بدلاً من رابط أو مسار واحد فقط. تم تحليل كفاءة نموذج LSTM القائم على الانتباه من خلال دراسة إزالة (ablation study). وأظهرت النتائج المقارنة مع نماذج LSTM الأساسية أن نموذج LSTM الهرمي القائم على الانتباه (HierAttnLSTM) لا يوفر دقة تنبؤ أعلى فحسب، بل يُعدّ أيضًا فعّالًا في التنبؤ بالأنماط غير العادية للازدحام. تم توفير البيانات والكود بشكل عام لدعم الأبحاث العلمية القابلة للتكرار.