تم تبني شبكات العصبونات الرسومية (GNNs) ونماذج المستندة إلى الترانسفورمر (Transformer-based models) بشكل متزايد لتعلم التمثيلات المتجهية المعقدة للرسومات المكانية-الزمانية، مما يتيح التقاط الارتباطات المكانية-الزمانية الدقيقة التي تعد أساسية لتطبيقات مثل مجموعات بيانات الحركة المرورية. رغم أن العديد من الأساليب الحالية تستفيد من آليات الانتباه متعددة الرؤوس والشبكات العصبية المارة بالرسالة (MPNNs) لتقاط الارتباطات المكانية والزمانية، فإن هذه الأساليب تقوم بتشفير العلاقات الزمانية والمكانية بشكل مستقل، وتعكس خصائص الطوبولوجيا للرسم البياني بطريقة محدودة.في هذا العمل، نقدم Cy2Mixer، وهو شبكة عصبية مكانية-زمانية جديدة تعتمد على الثوابت الطوبولوجية غير البسيطة للرسومات المكانية-الزمانية مع معالجات متعددة الطبقات ذات الأبواب (gated multi-layer perceptrons - gMLP). يتكون Cy2Mixer من ثلاثة كتل تعتمد على MLPs: كتلة زمنية لتقاط الخصائص الزمنية، وكتلة مرور الرسائل لاحتواء المعلومات المكانية، بالإضافة إلى كتلة مرور الرسائل الدائرية لتغني المعلومات الطوبولوجية عبر الفروع الدائرية. نعزز فعالية Cy2Mixer بدليل رياضي يؤكد أن كتلتنا لمرور الرسائل الدائرية قادرة على تقديم معلومات مميزة للنموذج التعليمي العميق مقارنة بكتلة مرور الرسائل. علاوة على ذلك، تثبت التقييمات التجريبية فعالية Cy2Mixer، حيث أظهرت أداءً رائداً في مختلف مجموعات بيانات الرسومات المكانية-الزمانية المرجعية. يمكن الحصول على الكود المصدر من الرابط التالي: \url{https://github.com/leemingo/cy2mixer}.