Die langfristige Verkehrsprognose ist aufgrund der Komplexität von Verkehrssystemen und der ständig wechselnden Natur vieler beeinflussender Faktoren äußerst herausfordernd. In diesem Artikel konzentrieren wir uns auf räumlich-zeitliche Faktoren und stellen ein Graph-Multi-Attention-Netzwerk (GMAN) vor, das zur Vorhersage von Verkehrsbedingungen für zukünftige Zeitschritte an verschiedenen Orten in einem Straßennetzgraph verwendet wird. GMAN verwendet eine Encoder-Decoder-Architektur, bei der sowohl der Encoder als auch der Decoder aus mehreren räumlich-zeitlichen Aufmerksamkeitsblöcken bestehen, um die Auswirkungen räumlich-zeitlicher Faktoren auf die Verkehrsbedingungen zu modellieren. Der Encoder kodiert die Eingabeverkehrsmerkmale, während der Decoder die Ausgabefolge vorhersagt. Zwischen Encoder und Decoder wird eine Transform-Aufmerksamkeits-Schicht eingesetzt, um die kodierten Verkehrsmerkmale in Darstellungen zukünftiger Zeitschritte zu überführen, die als Eingabe für den Decoder dienen. Die Transform-Aufmerksamkeitsmechanik modelliert direkte Beziehungen zwischen historischen und zukünftigen Zeitschritten, was dazu beiträgt, das Problem der Fehlerfortpflanzung über die Vorhersagezeitschritte hinweg zu mildern. Experimentelle Ergebnisse auf zwei realen Verkehrsprognoseaufgaben (nämlich Verkehrsfluss- und Verkehrsgeschwindigkeitsvorhersage) belegen die Überlegenheit von GMAN. Insbesondere erreicht GMAN bei der Vorhersage für eine Stunde im Voraus eine Verbesserung von bis zu 4 % im MAE-Maß gegenüber aktuellen Spitzenmethoden. Der Quellcode ist unter https://github.com/zhengchuanpan/GMAN verfügbar.