تلعب تقنية توقع تدفق المرور دورًا مهمًا في أنظمة النقل الذكية. استنادًا إلى الشبكات العصبية الرسومية وآليات الانتباه، استخدمت معظم الدراسات السابقة سابقًا بنية المُحَوِّل (Transformer) لاكتشاف الاعتماديات المكانية-الزمنية والعلاقات الديناميكية. ومع ذلك، لم تُؤخذ معلومات الارتباط بين التسلسلات المكانية-الزمنية بعين الاعتبار بشكل شامل. في هذا البحث، وبناءً على معامل المعلومات الأقصى (Maximal Information Coefficient)، نقدّم تمثيلين مكانية-زمنية دقيقين: معلومات الارتباط المكاني (SCorr) ومعلومات الارتباط الزمني (TCorr). باستخدام SCorr، نقترح شبكة مكانية-زمنية تعتمد على معلومات الارتباط (CorrSTN)، والتي تتضمن مكونًا للشبكة العصبية الرسومية الديناميكية لدمج معلومات الارتباط في البنية المكانية بشكل فعّال، ومكونًا متعدد الرؤوس للانتباه لتمثيل الاعتماديات الزمنية الديناميكية بدقة. وبالاعتماد على TCorr، نستكشف نمط الارتباط بين البيانات ذات الدورات المختلفة لتحديد البيانات الأكثر صلة، ثم نصمم خطة اختيار فعّالة للبيانات لتعزيز أداء النموذج بشكل أكبر. تُظهر النتائج التجريبية على مجموعتي بيانات تدفق المرور على الطرق السريعة (PEMS07 وPEMS08) وتدفق الحشود في المترو (مداخل ومحطات HZME) أن نموذج CorrSTN يتفوق على الطرق الحالية في الأداء التنبؤي. وبخاصة على مجموعة بيانات HZME (الخروج)، حقق النموذج تحسينات كبيرة مقارنةً بنموذج ASTGNN بنسبة 12.7% و14.4% و27.4% في مقاييس MAE وRMSE وMAPE على التوالي.