近年来，深度学习在交通预测领域受到越来越多关注。现有交通预测模型通常依赖图卷积网络（GCN）或注意力机制，其计算复杂度为O(N²)，需动态提取交通节点特征，但存在效率低下、模型臃肿等问题。此外，这些模型通常仅基于历史数据进行预测，未能充分考虑目标状态对预测结果的影响。为解决上述问题，本文提出一种新型的模式匹配动态记忆网络（Pattern-Matching Dynamic Memory Network, PM-DMNet）。PM-DMNet引入一种创新的动态记忆网络结构，仅以O(N)的复杂度即可捕捉交通模式特征，在显著降低计算开销的同时，仍能实现优异的预测性能。该模型还设计了两种多步预测方法：递归多步预测（Recursive Multi-step Prediction, RMP）与并行多步预测（Parallel Multi-step Prediction, PMP），二者均利用预测目标的时间特征，辅助提升预测精度。进一步地，PMP中融合了迁移注意力机制，能够将历史数据特征自适应地映射至与目标状态更匹配的表示空间，从而更准确地捕捉趋势变化，有效降低预测误差。大量实验结果表明，所提出的PM-DMNet在多个基准数据集上均显著优于现有方法。项目源代码已开源，地址为：https://github.com/wengwenchao123/PM-DMNet。