Bei der Verkehrsprognose haben Graph-Convolutional Networks (GCNs), die Verkehrsflüsse als raumzeitliche Graphen modellieren, beachtliche Leistungen erzielt. Allerdings definieren bestehende GCN-basierte Ansätze die Graphstruktur heuristisch als physikalische Topologie des Straßennetzes und ignorieren dabei mögliche Abhängigkeiten der Graphstruktur von den Verkehrsdaten. Zudem ist die definierte Graphstruktur deterministisch und berücksichtigt somit nicht die Unsicherheit. In diesem Artikel stellen wir ein Bayes’sches raumzeitliches Graph-Convolutional Network (BSTGCN) für die Verkehrsprognose vor. In unserem Netzwerk wird die Graphstruktur end-to-end aus der physikalischen Topologie des Straßennetzes und den Verkehrsdaten gelernt, wodurch eine präzisere Beschreibung der Beziehungen zwischen Verkehrsflüssen entdeckt wird. Darüber hinaus wird ein parametrisches generatives Modell vorgeschlagen, um die Graphstruktur darzustellen, was die Generalisierungsfähigkeit der GCNs verbessert. Wir bestätigen die Wirksamkeit unserer Methode an zwei realen Datensätzen, und die experimentellen Ergebnisse zeigen, dass BSTGCN gegenüber aktuellen State-of-the-Art-Verfahren überlegene Leistung erzielt.