在相关交通序列中建模复杂的时空依赖关系对于交通预测至关重要。尽管近期研究通过使用神经网络提取时空相关性，显著提升了预测性能，但其效果在很大程度上依赖于用于表征交通网络空间拓扑结构的图结构质量。为此，本文提出一种新型交通预测方法，通过嵌入时变动态贝叶斯网络，捕捉交通数据精细的时空拓扑特征。随后，利用图卷积网络生成交通预测结果。为使该方法能够高效建模非线性的交通传播模式，我们设计了一种基于深度学习的模块，作为超网络（hyper-network）以逐步生成动态因果图。在真实交通数据集上的实验结果表明，所提方法在预测性能上具有显著优势。代码已开源，地址为：https://github.com/MonBG/DCGCN。