يُعد التنبؤ بالحركة المرورية أمرًا بالغ الأهمية لضمان السلامة العامة وتحسين استخدام الموارد، لكنه يظل يمثل تحديًا كبيرًا نظرًا للتغيرات الزمنية والارتباطات المكانية الديناميكية المميزة لبيانات المرور. ولالتقاط هذه الاعتماديات المعقدة، تُستخدم الشبكات المكانية-الزمنية، مثل الشبكات العصبية التكرارية المزودة بعمليات التصفية الرسومية، والشبكات التصفية الرسومية المزودة بعمليات التصفية الزمنية، والشبكات الزمنية ذات الانتباه المزودة بانتباه كامل للرسم البياني. ومع ذلك، تعتمد الشبكات المكانية-الزمنية السابقة على التدريب من النهاية إلى النهاية، وبالتالي تفشل في التعامل مع تغير التوزيع في سلاسل زمنية مرورية غير ثابتة. من ناحية أخرى، ما زال يفتقر إلى خوارزمية فعّالة وفعالة لنمذجة الارتباطات المكانية في الشبكات السابقة. في هذا البحث، بدلاً من اقتراح نموذج من نوع التدريب من النهاية إلى النهاية جديد، نهدف إلى تقديم إطار جديد للفصل والدمج يُسمى STWave، لتقليل مشكلة تغير التوزيع. يبدأ الإطار بفصل البيانات المرورية المعقدة إلى اتجاهات مستقرة وحوادث تذبذبية، ثم يُطبّق شبكة مكانية-زمنية مزدوجة القناة لتمثيل الاتجاهات والحوادث على حدة. وأخيرًا، يمكن التنبؤ بحركة مرورية مستقبلية معقولة من خلال دمج الاتجاهات والحوادث. علاوةً على ذلك، ندمج استراتيجية جديدة لاستخلاص الاستفسارات (query sampling) وتمثيل مكاني رسومي مبني على موجات الرسم البياني (graph wavelet-based graph positional encoding) في الشبكة الكاملة ذات الانتباه المكاني، لتمكين نمذجة فعّالة وفعالة للارتباطات المكانية الديناميكية. أظهرت التجارب الواسعة على ستة مجموعات بيانات مرورية تفوق أسلوبنا، حيث حقق دقة تنبؤ أعلى بتكلفة حوسبة أقل.