Wir alle sind auf Mobilität angewiesen, und der Straßenverkehr beeinflusst das tägliche Leben der meisten Menschen erheblich. Daher ist die Fähigkeit, den Zustand des Verkehrs in einem Straßennetz vorherzusagen, eine wichtige und gleichzeitig herausfordernde Aufgabe. Verkehrsdaten werden häufig durch Sensoren in einem Straßennetz erfasst. Neuere Ansätze auf Basis räumlich-zeitlicher Graphen-Neuraler Netze haben erhebliche Fortschritte bei der Modellierung komplexer räumlich-zeitlicher Korrelationen in Verkehrsdaten erzielt, indem sie Verkehrsdaten als Diffusionsprozess modellieren. Intuitiv enthalten Verkehrsdaten jedoch zwei unterschiedliche Arten versteckter Zeitreihensignale, nämlich Diffusionssignale und inhärente Signale. Leider betrachten fast alle vorherigen Arbeiten Verkehrsdaten nahezu ausschließlich als Ergebnis einer Diffusion und vernachlässigen dabei die inhärenten Signale, was die Leistungsfähigkeit der Modelle negativ beeinflusst. Um die Modellierungsleistung zu verbessern, schlagen wir einen neuartigen dekupplten räumlich-zeitlichen Rahmen (Decoupled Spatial-Temporal Framework, DSTF) vor, der die Diffusions- und die inhärenten Verkehrsinformationen datengetrieben voneinander trennt. Dieser Rahmen umfasst eine einzigartige Schätzungsgatter-Struktur sowie eine Residuum-Zerlegungsmechanik. Die getrennten Signale können anschließend jeweils separat von einem Diffusionsmodul und einem inhärenten Modul verarbeitet werden. Darüber hinaus präsentieren wir eine Implementierung von DSTF, die Decoupled Dynamic Spatial-Temporal Graph Neural Network (D2STGNN), die räumlich-zeitliche Korrelationen erfassen kann und zudem über ein dynamisches Graph-Lernmodul verfügt, das speziell auf die Erfassung dynamischer Eigenschaften von Verkehrsnetzen abgestimmt ist. Umfassende Experimente mit vier realen Verkehrsdatensätzen zeigen, dass der vorgeschlagene Rahmen die derzeitigen State-of-the-Art-Leistungen deutlich übertreffen kann.