تتأثر حياتنا اليومية بشكل كبير بظروف المرور، مما يجعل من الضروري إجراء تنبؤات دقيقة بتدفق المرور داخل الشبكة الطرقية. تُولَد إشارات المرور المستخدمة في التنبؤ عادةً بواسطة أجهزة استشعار مثبتة على الطرق، والتي يمكن تمثيلها كعُقد في رسم بياني. وغالبًا ما تُنتج هذه الأجهزة إشارات طبيعية تمثل تدفقات مرورية طبيعية، وإشارات غير طبيعية تشير إلى اضطرابات مرورية غير معروفة. تُستخدم شبكات التConvolution الرسومية على نطاق واسع في تنبؤات المرور بفضل قدرتها على التقاط الارتباطات بين العقد في الشبكة. ومع ذلك، تعتمد النماذج الحالية على مصفوفة مجاورة محددة مسبقًا أو مصفوفة متكيفة لا تعكس بدقة العلاقات الواقعية بين الإشارات. ولحل هذه المشكلة، نقترح نموذجًا جديدًا يُسمى "شبكة تConvolution رسومية ديناميكية متكررة قائمة على التحليل" (DDGCRN) لتنبؤات المرور. يجمع نموذج DDGCRN بين شبكة تConvolution رسومية ديناميكية متكررة ونموذج مبني على RNN يُولِّد رسومًا ديناميكية استنادًا إلى الإشارات المرورية المتغيرة بمرور الوقت، مما يسمح باستخلاص الخصائص المكانية والزمنية معًا. علاوةً على ذلك، يفصل نموذج DDGCRN بين الإشارات غير الطبيعية والإشارات الطبيعية، وينمذجها باستخدام نهج مبني على البيانات لتحسين التنبؤات بشكل أكبر. وقد أظهرت نتائج تحليلنا لستة مجموعات بيانات واقعية تفوق DDGCRN على أحدث النماذج الحالية. يمكن الوصول إلى الكود المصدري عبر الرابط التالي: https://github.com/wengwenchao123/DDGCRN.