Die räumlich-zeitliche Vorhersage hat verschiedene Anwendungen in den Bereichen Neurowissenschaften, Klimaforschung und Verkehrstechnik. Die Verkehrsprognose ist ein kanonisches Beispiel für eine solche Lernaufgabe. Diese Aufgabe ist herausfordernd aufgrund von (1) komplexen räumlichen Abhängigkeiten in Straßennetzen, (2) nichtlinearen zeitlichen Dynamiken mit sich ändernden Straßenbedingungen und (3) der inhärenten Schwierigkeit der Langzeitschätzungen. Um diesen Herausforderungen zu begegnen, schlagen wir vor, den Verkehrsfluss als Diffusionsprozess auf einem gerichteten Graphen zu modellieren und das Diffusion Convolutional Recurrent Neural Network (DCRNN) einzuführen, einen tiefen Lernrahmen für die Verkehrsprognose, der sowohl räumliche als auch zeitliche Abhängigkeiten im Verkehrsfluss berücksichtigt. Insbesondere fängt DCRNN die räumlichen Abhängigkeiten durch bidirektionale zufällige Irrfahrten auf dem Graphen ein und die zeitlichen Abhängigkeiten durch eine Encoder-Decoder-Architektur mit geplantem Sampling. Wir evaluieren den Rahmen anhand zweier realweltlicher, großskaliger Datensätze von Straßennetzverkehr und beobachten konsistente Verbesserungen von 12 % bis 15 % im Vergleich zu den besten bisherigen Baseline-Methoden.