نحن جميعًا نعتمد على التنقل، وتأثر النقل البري بحياة معظم الناس يوميًا. وبالتالي، فإن القدرة على التنبؤ بحالة المرور في شبكة طرق تمثل وظيفة مهمة ومهام صعبة. تُجمع غالبًا بيانات المرور من أجهزة استشعار مُثبتة في شبكة الطرق. وقد حققت الاقتراحات الحديثة المتعلقة بشبكات التعلم العصبي الرسومية الزمكانية تقدمًا كبيرًا في نمذجة الارتباطات الزمكانية المعقدة في بيانات المرور، من خلال تمثيل بيانات المرور كعملية انتشار. ومع ذلك، من الناحية المبدئية، تضم بيانات المرور نوعين مختلفين من الإشارات الزمنية المخفية، وهي الإشارات المتنقلة (الانتشارية) والإشارات الذاتية (الداخلية). للأسف، ينظر معظم الأعمال السابقة إلى إشارات المرور بشكل مبسط باعتبارها نتيجة كاملة للانتشار، مع تجاهل الإشارات الذاتية، مما يؤثر سلبًا على أداء النموذج. ولتحسين أداء النمذجة، نقترح إطارًا جديدًا يُسمى "الإطار الزمكاني المُفصَّل" (DSTF)، الذي يفصل بين معلومات المرور المتنقلة والذاتية بطريقة تعتمد على البيانات، ويضم بوابة تقدير فريدة وآلية تفكيك تكميليّة. يمكن التعامل مع الإشارات المنفصلة لاحقًا بواسطة وحدات الانتشار والوحدة الذاتية بشكل منفصل. علاوةً على ذلك، نقترح تطبيقًا محددًا للإطار DSTF، يُسمى "شبكة التعلم العصبي الرسومية الزمكانية الديناميكية المُفصَّلة" (D2STGNN)، التي تُركّز على اكتشاف الارتباطات الزمكانية، وتتميز بوحدة تعلم رسومية ديناميكية تهدف إلى فهم الخصائص الديناميكية لشبكات المرور. أظهرت تجارب واسعة باستخدام أربع مجموعات بيانات حقيقية لمرور حضري أن هذا الإطار قادر على تطوير الحد الأدنى من الأداء الحالي في المجال.