تُعد البيانات الزمكانية شائعة جدًا، وتمتلك تنبؤاتها تطبيقات مهمة في العديد من المجالات. ومع ذلك، فإن الترابطات المعقدة بين المكونات المختلفة والديناميات الزمنية غير الخطية قد تشكل تحديًا كبيرًا أمام التقنيات التقليدية. تسعى الطرق الحالية لحل هذه المشكلة من خلال تعلم البعدين (المكاني والزمني) بشكل منفصل. في هذا العمل، نقدم نموذج Temporal Graphormer (T-Graphormer)، وهو نهج مبني على مُحَوِّل (Transformer) قادر على نمذجة الارتباطات الزمكانية بشكل متزامن. من خلال إضافة تمثيلات زمنية داخل بنية Graphormer، يُتيح لكل عقدة الانتباه إلى جميع الرموز الأخرى ضمن التسلسل الرسومي، مما يمكّن النموذج من تعلُّم أنماط فضائية-زمنية غنية بحد أدنى من التحيزات الاستدلالية المُحددة مسبقًا. نُظهر فعالية T-Graphormer على مجموعات بيانات معيارية حقيقية للتنبؤ بحركة المرور. مقارنةً بالطرق الرائدة حاليًا، يقلل T-Graphormer من متوسط الجذر التربيعي للخطأ (RMSE) وخطأ النسبة المئوية المطلقة المتوسطة (MAPE) بنسبة تصل إلى 20% و10% على التوالي.