Genauere Verkehrsprognosen sind entscheidend für die Steuerung und Planung städtischer Verkehrsnetze. Die meisten bestehenden Modelle zur Verkehrsprognose berücksichtigen jedoch nicht die Rechenlast oder den Speicherbedarf, wenn sie räumlich-zeitliche Abhängigkeiten in Verkehrsdaten erfassen. In dieser Arbeit stellen wir ein faktorisiertes räumlich-zeitliches Tensor-Grafen-Convolutional-Netzwerk (Factorized Spatial-Temporal Tensor Graph Convolutional Network) zur Vorhersage von Verkehrsgeschwindigkeiten vor. Verkehrsnetze werden dabei als Graph modelliert und gleichzeitig räumliche und zeitliche Informationen integriert. Wir erweitern zudem die Graph-Convolution in den Tensor-Raum und schlagen ein Tensor-Grafen-Convolutional-Netzwerk vor, um differenziertere Merkmale aus räumlich-zeitlichen Graph-Daten zu extrahieren. Um die Rechenlast zu reduzieren, nutzen wir die Tucker-Tensor-Zerlegung und leiten eine faktorisierte Tensor-Faltung ab, die jeweils getrennt im räumlichen, zeitlichen und merkmalsbasierten Modus filtert. Zudem profitieren wir bei der Tensor-Zerlegung von einer Unterdrückung von Rauschen in den Verkehrsdaten, da unwichtige Komponenten abgelehnt werden. Ausführliche Experimente auf zwei realen Verkehrsdatensätzen für Geschwindigkeitsvorhersagen zeigen, dass unsere Methode effektiver ist als herkömmliche Ansätze und gleichzeitig eine state-of-the-art-Leistung erreicht.