أصبحت أنظمة النقل الذكية (ITSs) عنصراً لا غنى عنه في التطور التكنولوجي الحديث عالمياً، حيث تؤدي دوراً كبيراً في التقدير الدقيق للإحصائيات المتعلقة بعدد المركبات أو الأفراد الذين يسافرون إلى منشأة نقل معينة في وقت معين. ويُعد هذا الإطار مثالياً لتصميم وهندسة القدرة الهيكلية المناسبة لتحليلات النقل. ومع ذلك، تظل توقعات الحركة المرورية مهمة صعبة بسبب التوزيع غير الإقليدي والمعقد لشبكات الطرق، بالإضافة إلى القيود التركيبية لشبكات الطرق في المناطق الحضرية. ولحل هذه التحديات، تقدم هذه الورقة نموذجاً لتنبؤ حركة المرور يجمع بين شبكة الت convolution الرسومية (Graph Convolutional Network)، ووحدة التكرار المُقيَّدة (Gated Recurrent Unit)، وآلية الانتباه متعددة الرؤوس (Multi-head Attention Mechanism)، بهدف التقاط ودمج الاعتماد الفضائي والزمني، فضلاً عن التغيرات الديناميكية في التسلسل التركيبي لبيانات المرور بشكل فعّال. وقد أظهر النموذج المقترح دقة تصل إلى 91.8% في بيانات اختبار حركة المرور على الطرق السريعة في لوس أنجلوس (Los-loop) بالنسبة لتوقعات حركة المرور على مدى 15 دقيقة، ودرجة R² تبلغ 85% على مجموعة بيانات اختبار حركة سيارات الأجرة في مدينة شنتشن (SZ-taxi) بالنسبة لتوقعات حركة المرور على مدى 15 و30 دقيقة. وقد أثبت النموذج أنه قادر على تعلّم التغيرات الفضائية الشاملة والتسلسل الزمني الديناميكي لبيانات المرور بمرور الوقت، مما أدى إلى تحقيق أداء متميز في تنبؤ حركة المرور على بيانات كل من SZ-taxi وLos-loop.