Die Verkehrsprognose als klassische Aufgabe der mehrdimensionalen Zeitreihenprognose ist ein bedeutendes Forschungsthema in der KI-Community. Um die räumlich-zeitliche Heterogenität und Nichtstationarität zu berücksichtigen, die in Verkehrsströmen impliziert sind, schlagen wir in dieser Studie einen neuen Ansatz zur Graph-Struktur-Lernung für räumlich-zeitliche Daten vor: die räumlich-zeitliche Meta-Graph-Lernung. Konkret integrieren wir diese Idee in ein Meta-Graph-Convolutional Recurrent Network (MegaCRN), indem wir einen Meta-Graph-Lerner, der auf einer Meta-Knotenbank basiert, in den Encoder-Decoder-Architektur des GCRN einbauen. Wir führen eine umfassende Evaluierung auf zwei etablierten Benchmark-Datensätzen (METR-LA und PEMS-BAY) sowie auf einem neuen, großskaligen Datensatz für Verkehrsgeschwindigkeiten namens EXPY-TKY durch, der 1843 Autobahnabschnitte in Tokio abdeckt. Unser Modell erreicht auf allen drei Datensätzen eine bessere Leistung als die derzeitigen State-of-the-Art-Methoden. Darüber hinaus zeigen qualitative Analysen, dass unser Modell in der Lage ist, Straßenabschnitte und Zeitintervalle mit unterschiedlichen Mustern explizit zu entkoppeln und robust auf anormale Verkehrssituationen zu reagieren. Die Quellcodes und Datensätze sind unter https://github.com/deepkashiwa20/MegaCRN verfügbar.