التنبؤ بالتدفق المروري في الوقت الفعلي والدقيق يُعد أمرًا بالغ الأهمية لتحسين كفاءة أنظمة النقل الذكية. تُستخدم الطرق التقليدية غالبًا الشبكات العصبية الرسومية (GNNs) مع رسوم بيانية مُحددة مسبقًا لوصف الارتباطات المكانية بين العقد المرورية في شبكات الطرق الحضرية. ومع ذلك، فإن هذه الرسوم البيانية المُحددة مسبقًا محدودة بمعارف موجودة وطرائق توليد الرسوم البيانية، مما يوفر صورة غير كاملة للارتباطات المكانية. وعلى الرغم من أن الرسوم البيانية المتغيرة زمنيًا القائمة على التعلم القائم على البيانات حاولت التغلب على هذه القيود، إلا أنها ما زالت تعاني من صعوبة في التقاط الارتباطات المكانية الجوهرية في بيانات المرور. علاوة على ذلك، تعتمد معظم الطرق الحالية لالتقاط الارتباطات الزمنية الديناميكية على خوارزمية حسابية موحدة تستخدم آلية الانتباه الذاتي متعدد الرؤوس الزمنية، وهو ما قد يؤدي في بعض الحالات إلى دقة منخفضة. ولتجاوز هذه التحديات، قمنا بطرح نموذج جديد يُسمى الشبكة العصبية الرسومية الزمنية المتغيرة الهجينة (HTVGNN) للتنبؤ بتدفق المرور. أولاً، تم تقديم آلية جديدة للاستشعار الزمني متعدد الرؤوس محسّنة تعتمد على تحسين القناع الزمني المتغير، بهدف تمثيل أدق للارتباطات الزمنية الديناميكية بين العقد المرورية المختلفة في الشبكة المرورية. ثانيًا، تم اقتراح استراتيجية جديدة لتوليد الرسوم البيانية لتعلم الارتباطات المكانية الثابتة والديناميكية بين العقد المرورية المختلفة في الشبكات الطرقية بشكل متزامن. وفي الوقت نفسه، لتعزيز قدرة تعلم الرسوم البيانية المتغيرة زمنيًا، تم تصميم آلية مترابطة لتوليد الرسوم البيانية تربط الرسوم البيانية المُتعلمة في كل خطوة زمنية. وأخيرًا، تم تأكيد فعالية النموذج المقترح HTVGNN باستخدام أربع مجموعات بيانات حقيقية. وأظهرت نتائج المحاكاة أن HTVGNN تحقق دقة تنبؤية أعلى مقارنةً بالنماذج الحالية للشبكات العصبية الرسومية الزمكانية. علاوة على ذلك، أكدت تجربة الاستبعاد (Ablation Experiment) أن آلية توليد الرسوم البيانية المترابطة قادرة على تحسين أداء التنبؤ على المدى الطويل لنموذج HTVGNN بشكل فعّال.