Die räumlich-zeitliche Vorhersage spielt in vielen Anwendungsbereichen, insbesondere im Verkehrssektor, eine wichtige Rolle. Aufgrund der komplexen räumlich-zeitlichen Abhängigkeiten und der hohen nichtlinearen Dynamik in Straßennetzen bleibt die Aufgabe der Verkehrsprognose jedoch herausfordernd. Bestehende Ansätze entweder erzeugen hohe Trainingskosten oder scheitern daran, die räumlich-zeitlichen Muster genau zu erfassen, und ignorieren auch die Korrelation zwischen weit voneinander entfernten Straßen, die ähnliche Muster aufweisen. In dieser Arbeit schlagen wir ein neues tiefes Lernframework vor, um diese Probleme zu überwinden: 3D-Zeitgraphkonvolutionsnetze (3D-TGCN). Zwei neuartige Komponenten unseres Modells werden vorgestellt: (1) Anstatt den Straßengraph basierend auf räumlichen Informationen zu konstruieren, lernen wir ihn durch den Vergleich der Ähnlichkeit zwischen Zeitreihen für jede Straße, wodurch ein rahmen ohne räumliche Informationen bereitgestellt wird. (2) Wir schlagen ein originelles 3D-Graphkonvolutionmodell vor, um die räumlich-zeitlichen Daten genauer zu modellieren. Empirische Ergebnisse zeigen, dass 3D-TGCN die besten bisher bekannten Baselineverfahren übertreffen kann.