يُعد التنبؤ الدقيق والحظري بحركة المرور أمرًا حيويًا لأنظمة النقل الذكية (ITS)، ويعتبر الحجر الأساس لتطبيقات التنقل الذكي المختلفة. وعلى الرغم من أن هذا المجال البحثي يُهيمن عليه التعلم العميق، فإن الدراسات الحديثة تشير إلى أن تحسين الدقة من خلال تطوير هياكل نماذج جديدة أصبح محدودًا. بدلًا من ذلك، نرى أن التحسن يمكن تحقيقه من خلال نقل "المعرفة المرتبطة بالتنبؤ" بين المدن التي تختلف توزيعات بياناتها وهياكل شبكاتها. ولتحقيق هذا الهدف، تسعى هذه الورقة إلى اقتراح إطار جديد للتنبؤ بحركة المرور قابل للنقل: الشبكة المتعارف عليها المكانية-الزمنية المقاومة للنطاق (DASTNet). يتم تدريب DASTNet مسبقًا على شبكات مصدر متعددة، ثم يتم تحسينه بدقة باستخدام بيانات حركة المرور من الشبكة المستهدفة. وبشكل خاص، نستفيد من تقنيات تعلم تمثيل الرسوم البيانية وتكيف النطاق المُضاد لتعلم تمثيلات العقد المُستقلة عن النطاق، والتي تُدمج لاحقًا لنمذجة بيانات حركة المرور الزمنية. إلى حد معرفتنا، نحن أول من يستخدم التكيف متعدد النطاقات المُضاد لمشاكل التنبؤ بحركة المرور الشاملة للشبكة. ويتفوق DASTNet بشكل مستمر على جميع الطرق الأساسية المتطورة في ثلاث مجموعات بيانات معيارية. وتم تطبيق DASTNet المدرب على كاشفات حركة المرور الجديدة في هونغ كونغ، حيث يمكن تقديم تنبؤات دقيقة بحركة المرور فور توفر الكاشف (ضمن يوم واحد). بشكل عام، تشير هذه الدراسة إلى بديل لتعزيز أساليب التنبؤ بحركة المرور، وتُقدّم تداعيات عملية للمدن التي تعاني من نقص في بيانات حركة المرور التاريخية.