Die Modellierung komplexer räumlicher und zeitlicher Korrelationen in korrelierten Zeitreihendaten ist unverzichtbar, um die Verkehrs dynamik zu verstehen und den zukünftigen Zustand eines sich entwickelnden Verkehrssystems vorherzusagen. In jüngsten Arbeiten liegt der Fokus auf der Gestaltung komplexer Graphen-Neural-Netzwerk-Architekturen, um gemeinsame Muster mit Hilfe vordefinierter Graphen zu erfassen. In diesem Artikel argumentieren wir, dass das Lernen von knotenspezifischen Mustern für die Verkehrsprognose entscheidend ist, während vordefinierte Graphen überflüssig sind. Dazu stellen wir zwei adaptive Module vor, die Graph Convolutional Networks (GCN) mit neuen Fähigkeiten ausstatten: 1) ein Knoten-adaptives Parameter-Lernmodul (NAPL), um knotenspezifische Muster zu erfassen; 2) ein daten-adaptives Graphen-Generierungsmodul (DAGG), um die Wechselwirkungen zwischen verschiedenen Verkehrszeitreihen automatisch zu inferieren. Darüber hinaus schlagen wir ein adaptives Graph Convolutional Recurrent Network (AGCRN) vor, das fein granulare räumliche und zeitliche Korrelationen in Verkehrszeitreihen basierend auf diesen beiden Modulen und rekurrenten Netzwerken automatisch erfassen kann. Unsere Experimente auf zwei realen Verkehrsdatensätzen zeigen, dass AGCRN die State-of-the-Art-Methoden signifikant übertrifft, ohne dass vordefinierte Graphen bezüglich räumlicher Verbindungen erforderlich sind.