Verkehrsprognose ist eine der am häufigsten untersuchten spatio-temporalen Aufgaben im Bereich des maschinellen Lernens. Ein verbreiteter Ansatz in diesem Feld besteht darin, Graph-Convolutional Networks (GCNs) mit rekurrenten neuronalen Netzen (RNNs) zu kombinieren, um spatio-temporale Daten zu verarbeiten. In den letzten Jahren hat ein intensiver Wettbewerb stattgefunden, wodurch zahlreiche neue Methoden vorgestellt wurden. In diesem Artikel präsentieren wir die Methode des spatio-temporalen Graphen-Neuronalen-Rauen-Differentialgleichungsmodells (STG-NRDE). Neuronale Rauhe Differentialgleichungen (NRDEs) stellen einen bahnbrechenden Ansatz zur Verarbeitung zeitabhängiger Daten dar. Ihr zentraler Gedanke besteht darin, die Log-Signatur-Transformation zu nutzen, um eine Zeitreihenprobe in eine kürzere Folge von Merkmalsvektoren zu transformieren. Wir erweitern dieses Konzept und entwerfen zwei NRDEs: eines für die zeitliche und eines für die räumliche Verarbeitung. Anschließend integrieren wir beide in ein einheitliches Rahmenwerk. Wir führen Experimente mit sechs Benchmark-Datensätzen und 27 Baseline-Methoden durch. STG-NRDE erzielt in allen Fällen die höchste Genauigkeit und übertrifft alle 27 Baselines signifikant.