نمذجة الاعتماديات المكانية الزمنية المعقدة في السلسلة المرورية المرتبطة أمر بالغ الأهمية للتنبؤ بالحركة المرورية. وعلى الرغم من أن الدراسات الحديثة أظهرت تحسناً في أداء التنبؤ باستخدام الشبكات العصبية لاستخراج الاعتماديات المكانية الزمنية، إلا أن فعاليتها تعتمد بشكل كبير على جودة الهياكل الرسومية المستخدمة لتمثيل البنية المكانية لشبكة المرور. في هذا العمل، نقترح نهجًا جديدًا للتنبؤ بالحركة المرورية يدمج شبكة بايزية ديناميكية متغيرة مع الزمن لالتقاط البنية المكانية الزمنية الدقيقة للبيانات المرورية. ثم نستخدم الشبكات التلافيفية الرسومية (GCNs) لإنشاء توقعات حركة المرور. ولتمكين طريقتنا من نمذجة أنماط الانتشار غير الخطية للحركة المرورية بكفاءة، نطور وحدة قائمة على التعلم العميق كشبكة فائقة (Hyper-network) لتوليد رسوم مسببة ديناميكية خطوة بخطوة. وقد أظهرت نتائج التجارب على مجموعة بيانات حقيقية للحركة المرورية تفوق الأداء التنبؤي للمنهج المقترح. يمكن الوصول إلى الشفرة المصدرية عبر الرابط: https://github.com/MonBG/DCGCN.