التنبؤ بالحركة المرورية بناءً على الهياكل الرسومية يُعد مهمة صعبة نظرًا لكون الشبكات الطرقية غالبًا ما تكون هياكل معقدة، كما أن البيانات التي يتم تحليلها تحتوي على سمات زمنية متغيرة. علاوةً على ذلك، فإن جودة استخراج السمات المكانية تعتمد بشكل كبير على إعدادات الأوزان في الهياكل الرسومية. في مجال النقل، يتم حساب الأوزان الحالية للهياكل الرسومية بناءً على عوامل مثل المسافة بين الطرق. لكن هذه الطرق لا تأخذ بعين الاعتبار خصائص الطريق نفسه أو العلاقات الترابطية بين تدفقات المرور المختلفة. وتُركّز الطرق الحالية عادةً على استخراج الاعتماديات المكانية المحلية، بينما تتجاهل الاعتماديات المكانية الشاملة. وتشكل مشكلة أخرى كيفية استخراج كمية كافية من المعلومات ضمن عمق محدود للهياكل الرسومية. ولحل هذه التحديات، نقترح نموذجًا يُسمى الشبكة الارتجاعية الرسومية الانتباهية العشوائية (RGDAN) للتنبؤ بالحركة المرورية. يتكون RGDAN من وحدة انتباه التشتت الرسومي ووحدة انتباه زمنية. تُمكن وحدة انتباه التشتت الرسومي من تعديل أوزانها من خلال التعلم من البيانات، كأنها شبكة عصبية تلافيفية (CNN)، لالتقاط اعتماديات مكانية أكثر واقعية. أما وحدة الانتباه الزمنية، فتُركّز على استخلاص العلاقات الزمنية. وأظهرت التجارب على ثلاث مجموعات بيانات عامة كبيرة الحجم أن RGDAN يُنتج تنبؤات ذات دقة أعلى بنسبة 2% إلى 5% مقارنة بالأساليب الرائدة في المجال.