أصبح بناء الشبكات الزمانية المكانية باستخدام شبكات الت convolution الرسومية (GCNs) إحدى أكثر الطرق شيوعًا لتنبؤ إشارات المرور. ومع ذلك، عند استخدام شبكة GCN لتنبؤ سرعة المرور، يفترض النهج التقليدي عادةً أن العلاقة بين أجهزة الاستشعار تمثل رسمًا متجانسًا، ويتم تعلم مصفوفة الجوار باستخدام البيانات المجمعة من قبل أجهزة الاستشعار. ولكن العلاقة المكانية بين أجهزة الاستشعار ليست واحدة محددة، بل تُعرّف بشكل مختلف من وجهات نظر متعددة. وللإجابة على هذا التحدي، نهدف إلى دراسة الخصائص غير المتجانسة المتأصلة في بيانات إشارات المرور، لتعلم العلاقات الخفية بين أجهزة الاستشعار بطرق متنوعة. وبشكل خاص، قمنا بتصميم طريقة لبناء رسم غير متجانس لكل وحدة، من خلال تقسيم العلاقة المكانية بين أجهزة الاستشعار إلى وحدتين: ثابتة وديناميكية. ونُقدّم طريقة تُسمى "شبكة الت convolution الرسومية المُستندة إلى انتباه التفكيك الشبكي والمستشعرة للتنوع" (HAGCN)، التي تُجمّع الحالات المخفية للعقد المجاورة مع أخذ أهمية كل قناة في الرسم غير المتجانس بعين الاعتبار. وقد أثبتت النتائج التجريبية على مجموعات بيانات مرورية حقيقية فعالية الطريقة المقترحة، حيث حققت تحسنًا بنسبة 6.35% مقارنة بالنموذج الحالي، وتحقق أداءً متميزًا على مستوى الحالة الحالية للتنبؤ.