Die Verkehrsprognose ist eine der am häufigsten untersuchten spatio-temporalen Aufgaben im Bereich des maschinellen Lernens. Ein verbreiteter Ansatz in diesem Bereich besteht darin, Graph-Convolutional Networks (GCNs) mit rekurrenten neuronalen Netzen (RNNs) zu kombinieren, um spatio-temporale Daten zu verarbeiten. In diesem Feld herrscht ein intensiver Wettbewerb, und es wurden zahlreiche neuartige Methoden vorgestellt. In diesem Artikel präsentieren wir die Methode des spatio-temporalen Graphen-Neuronalen kontrollierten Differentialgleichungsmodells (STG-NCDE). Neuronale kontrollierte Differentialgleichungen (NCDEs) stellen einen bahnbrechenden Ansatz zur Verarbeitung sequenzieller Daten dar. Wir erweitern dieses Konzept und entwickeln zwei NCDEs: einen für die zeitliche und einen für die räumliche Verarbeitung. Anschließend integrieren wir beide in ein einheitliches Framework. Wir führen Experimente mit sechs Benchmark-Datensätzen und zwanzig Baseline-Methoden durch. STG-NCDE erreicht in allen Fällen die höchste Genauigkeit und übertrifft alle 20 Baselines signifikant.