تنبؤ بيانات الشبكة المكانية-الزمنية له أهمية كبيرة في عدد كبير من التطبيقات المتعلقة بإدارة المرور والتخطيط الحضري. ومع ذلك، فإن الترابطات المكانية-الزمنية المعقدة والتنوعات (التشابهات) الكامنة وراء هذه البيانات تجعل هذه المشكلة تحديًا كبيرًا. تستخدم الطرق الحالية عادةً مكونات منفصلة لالتقاط الترابطات المكانية والزمنية، وتجاهل التباينات الموجودة في البيانات المكانية-الزمنية. في هذا البحث، نقترح نموذجًا جديدًا يُسمى الشبكات العصبية التلافيفية الرسومية المزامنة المكانية-الزمنية (STSGCN) للتنبؤ ببيانات الشبكة المكانية-الزمنية. ويُمكن لهذا النموذج التقاط الترابطات المكانية-الزمنية المعقدة والمحلية بشكل فعّال من خلال آلية نمذجة مزامنة مكانية-زمنية مصممة بدقة. وفي الوقت نفسه، تم تصميم وحدات متعددة لفترات زمنية مختلفة داخل النموذج لالتقاط التباينات في الرسوم البيانية المكانية-الزمنية المحلية بشكل فعّال. أُجريت تجارب واسعة على أربع مجموعات بيانات واقعية، وأظهرت النتائج أن طريقةنا تحقق أداءً متميزًا مقارنة بالأساليب السابقة، وتفوق باستمرار جميع النماذج المعيارية الأخرى.