Die Verkehrsprognose stellt aufgrund komplexer Straßennetze und plötzlicher Geschwindigkeitsänderungen infolge verschiedener Ereignisse auf der Straße eine herausfordernde Aufgabe dar. Zahlreiche Modelle wurden vorgeschlagen, um dieses Problem zu lösen, wobei der Fokus auf der Erfassung räumlich-zeitlicher Abhängigkeiten im Verkehrsfluss liegt. In dieser Arbeit präsentieren wir einen neuen Ansatz, bei dem das Prognoseproblem als Mustererkennungsaufgabe formuliert wird, unter der Annahme, dass große Datenmengen durch eine Menge repräsentativer Muster beschrieben werden können. Um die Gültigkeit dieser neuen Perspektive zu evaluieren, entwickeln wir ein neuartiges Modell für die Verkehrsprognose, das Pattern-Matching Memory Networks (PM-MemNet) heißt und darauf abzielt, Eingabedaten durch eine Schlüssel-Wert-Speicherstruktur mit repräsentativen Mustern zu verknüpfen. Zunächst extrahieren und clustern wir repräsentative Verkehrs-Muster, die als Schlüssel im Speicher dienen. Anschließend nutzt PM-MemNet durch die Übereinstimmung dieser extrahierten Schlüssel mit den Eingabedaten notwendige Informationen über bestehende Verkehrsstrukturen aus dem Speicher, um die Prognose zu erstellen. Um die räumlich-zeitliche Korrelation im Verkehr zu modellieren, schlagen wir eine neuartige Speicherarchitektur, GCMem, vor, die Aufmerksamkeit und Graph-Convolution zur Verbesserung der Speicherleistung integriert. Die experimentellen Ergebnisse zeigen, dass PM-MemNet präziser ist als aktuelle State-of-the-Art-Modelle wie Graph WaveNet und darüber hinaus eine höhere Reaktionsgeschwindigkeit aufweist. Zudem präsentieren wir eine qualitative Analyse, die beschreibt, wie PM-MemNet funktioniert und durch seine erhöhte Genauigkeit insbesondere bei plötzlichen Geschwindigkeitsänderungen im Straßenverkehr erreicht wird.