تُعد تنبؤات الحركة المرورية مهمة تقليدية في مجال التنبؤ بسلسلة زمنية متعددة المتغيرات، وهي موضوع بحثي مهم في مجتمع الذكاء الاصطناعي. ولمعالجة التباين الفضائي الزمني وعدم الاستقرار المُضمن في تدفق الحركة المرورية، نقترح في هذه الدراسة آلية جديدة لتعلم البنية الرسومية تُسمى "التعلم الرسومي الميتا الفضائي الزمني" (Spatio-Temporal Meta-Graph Learning) كآلية لتعلم البنية الرسومية على البيانات الفضائية الزمنية. وبشكل محدد، نُطبّق هذه الفكرة في شبكة الت convolution الميتا الرسومية المتكررة (MegaCRN) من خلال دمج "متعلم الرسم الميتا" المدعوم بقاعدة "العقد الميتا" (Meta-Node Bank) داخل مُشفّر-فكّر (encoder-decoder) من نوع GCRN. وقد أجرينا تقييمًا شاملاً على مجموعتي بيانات معياريتين (أي METR-LA وPEMS-BAY) وبيانات جديدة كبيرة الحجم تُسمى EXPY-TKY، التي تغطي 1843 رابطًا لطرق سريعة في طوكيو. وقد تفوّقت نموذجنا على أحدث النماذج (state-of-the-art) في جميع المجموعات الثلاث. علاوةً على ذلك، من خلال سلسلة من التقييمات النوعية، أظهرنا أن نموذجنا قادر على فصل بوضوح الروابط الطرقية والفواصل الزمنية التي تُظهر أنماطًا مختلفة، كما يتمتع بقدرة عالية على التكيّف المتين مع أي حالات غير طبيعية في الحركة المرورية. يمكن الوصول إلى الشيفرات والبيانات عبر الرابط التالي: https://github.com/deepkashiwa20/MegaCRN.