Die mehrdimensionale Zeitreihenprognose stellt eine Herausforderung dar, da die Variablen räumlich und zeitlich miteinander verknüpft sind, wie beispielsweise bei Verkehrsdaten. Die Definition von Signalen auf Graphen vereinfacht solche Komplexitäten, indem die Entwicklung von Signalen über den Raum mittels geeigneter graphenbasierter Kerne – wie dem Wärme-Diffusionskern – repräsentiert wird. Allerdings erfasst dieser Kern allein die tatsächlichen Dynamiken der Daten nicht vollständig, da er ausschließlich auf der Graphenstruktur basiert. Dieser Defizit lässt sich schließen, indem die graphenbasierte Darstellung mit datengetriebenen Modellen kombiniert wird, die historische Daten nutzen. In diesem Artikel wird ein Verkehrspropagationsmodell vorgestellt, das mehrere Wärme-Diffusionskerne in ein datengetriebenes Vorhersagemodell integriert, um Verkehrszeitsignale vorherzusagen. Die Modellparameter werden mittels Bayesscher Inferenz optimiert, um die Vorhersagefehler zu minimieren und somit das Mischungsverhältnis der beiden Ansätze zu bestimmen. Dieses Mischungsverhältnis hängt stark von der Größe des Trainingsdatensatzes und von Datenanomalien ab, die typischerweise den Stoßzeiten im Verkehr entsprechen. Das vorgeschlagene Modell erreicht eine Vorhersagegenauigkeit, die mit der der state-of-the-art tiefen neuronalen Netze vergleichbar ist, jedoch mit deutlich geringerem Rechenaufwand. Insbesondere zeigt es hervorragende Leistung bei der Langzeitprognose, da es die Periodizitätsmodellierung datengetriebener Modelle nutzt.