تواجه التنبؤات الدقيقة بحركة المرور تحديات كبيرة، مما يستدعي فهمًا عميقًا للإشارات الزمنية والمكانية وتفاعلاتهما المعقدة عبر متغيرات متعددة. وقد نتجت التطورات الحديثة في أنظمة التنبؤ بحركة المرور بشكل رئيسي عن تطوير نماذج معقدة مركزة على التسلسلات. ومع ذلك، غالبًا ما تقوم الطرق الحالية بتضمين عدة متغيرات والعلاقات المكانية في كل خطوة زمنية، وهو ما قد يعيق التعلم المركّز حول المتغيرات، مما يؤدي في النهاية إلى تدهور الأداء في المهام التقليدية للتنبؤ بحركة المرور. ولتجاوز هذه القيود، نقدّم تقنيات نمذجة مركّزة حول المتغيرات وتقنيات مركّزة حول المعرفة المسبقة. وبشكل خاص، نقترح نموذجًا مُختلطًا متنوعًا من الخبراء (TITAN) للتنبؤ بتدفق حركة المرور. يتكوّن TITAN أولًا من ثلاثة خبراء مركّزة على النمذجة التسلسلية. ثم، تم تصميم طريقة تكيف منخفضة الرتبة، مما يمكّن TITAN من تحقيق النمذجة المركّزة حول المتغيرات في نفس الوقت. علاوةً على ذلك، نُوجّه عملية التوجيه باستخدام استراتيجية نمذجة مركّزة حول المعرفة المسبقة لضمان توجيه دقيق. أظهرت التجارب على مجموعتي بيانات حركة مرور عامتين، METR-LA وPEMS-BAY، أن TITAN قادر على التقاط الاعتماديات المركّزة حول المتغيرات بفعالية مع ضمان توجيه دقيق. وبالتالي، حقق تحسينات في جميع مقاييس التقييم، تتراوح بين حوالي 4.37% و11.53% مقارنةً بالنماذج السابقة الأكثر تقدمًا (SOTA). يُتاح الكود المصدر على الرابط التالي: \href{https://github.com/sqlcow/TITAN}{https://github.com/sqlcow/TITAN}.