Die Konstruktion von raumzeitlichen Netzwerken mittels Graph-Convolutional Networks (GCNs) ist zu einer der beliebtesten Methoden zur Vorhersage von Verkehrsdaten geworden. Bei der Anwendung einer GCN zur Vorhersage von Verkehrsgeschwindigkeiten geht der herkömmliche Ansatz in der Regel von einem homogenen Graphen der Sensoren aus und lernt eine Adjazenzmatrix anhand der durch die Sensoren gesammelten Daten. Die räumliche Korrelation zwischen den Sensoren wird jedoch nicht als einheitlicher, sondern aus verschiedenen Perspektiven unterschiedlich definiert. Um diesem Problem entgegenzuwirken, zielen wir darauf ab, die heterogenen Eigenschaften inhärent in Verkehrsdaten zu untersuchen, um auf verschiedene Weise die verborgenen Beziehungen zwischen Sensoren zu lernen. Konkret haben wir eine Methode entwickelt, um für jeden Modul einen heterogenen Graphen zu konstruieren, indem die räumliche Beziehung zwischen Sensoren in statische und dynamische Module aufgeteilt wird. Wir stellen eine Netzwerk-Dezentralisierungs-Attention-basierte, Heterogenitäts-orientierte Graph-Convolutional Network-(HAGCN)-Methode vor, die die versteckten Zustände benachbarter Knoten aggregiert, wobei die Bedeutung jedes Kanals in einem heterogenen Graphen berücksichtigt wird. Experimentelle Ergebnisse auf realen Verkehrsdatensätzen bestätigen die Wirksamkeit des vorgeschlagenen Ansatzes und zeigen eine Verbesserung um 6,35 % gegenüber bestehenden Modellen, wodurch eine state-of-the-art-Vorhersuleistung erreicht wird.