Genauere Echtzeit-Verkehrsprognosen sind entscheidend für intelligente Verkehrssysteme (ITS) und bilden die Grundlage verschiedener Anwendungen im Bereich smarte Mobilität. Obwohl dieser Forschungsbereich derzeit von tiefen Lernansätzen dominiert wird, deuten jüngste Studien darauf hin, dass die Verbesserung der Genauigkeit durch die Entwicklung neuer Modellarchitekturen zunehmend marginal wird. Stattdessen veranschlagen wir, dass sich die Leistungsfähigkeit durch den Transfer von „prognosebezogenem Wissen“ zwischen Städten mit unterschiedlichen Datensätzen und Netzwerktopologien verbessern lässt. Hierzu stellt dieser Artikel einen neuen, übertragbaren Ansatz für die Verkehrsprognose vor: den Domain-Adversarial Spatial-Temporal Network (DASTNet). DASTNet wird zunächst auf mehreren Quellnetzwerken vortrainiert und anschließend anhand der Verkehrsdaten des Zielnetzwerks feinabgestimmt. Konkret nutzen wir Techniken der Graph-Darstellungslernung und adversarialer Domänenanpassung, um domäneninvariante Knoten-Embeddings zu lernen, die anschließend zur Modellierung zeitlicher Verkehrsdaten eingesetzt werden. Soweit uns bekannt ist, sind wir die Ersten, die adversariale Multi-Domänen-Anpassung für umfassende Verkehrsprognoseprobleme in Verkehrsnetzen einsetzen. DASTNet übertrifft auf drei Benchmark-Datensätzen konsistent alle aktuellen State-of-the-Art-Methoden. Der trainierte DASTNet wurde erfolgreich auf neue Verkehrsdetektoren in Hongkong angewendet, wodurch bereits innerhalb eines Tages nach Verfügbarkeit der Detektoren präzise Verkehrsprognosen bereitgestellt werden können. Insgesamt zeigt diese Studie einen alternativen Ansatz zur Verbesserung von Verkehrsprognosemethoden und liefert praktische Implikationen für Städte, die über begrenzte historische Verkehrsdaten verfügen.