Die Modellierung komplexer räumlich-zeitlicher Abhängigkeiten in korrelierten Verkehrsreihen ist entscheidend für die Verkehrsprognose. Obwohl neuere Ansätze durch den Einsatz von neuronalen Netzen zur Extraktion räumlich-zeitlicher Korrelationen eine verbesserte Prognoseleistung erzielt haben, hängt deren Wirksamkeit stark von der Qualität der Graphstrukturen ab, die zur Darstellung der räumlichen Topologie des Verkehrsnetzwerks verwendet werden. In dieser Arbeit stellen wir einen neuartigen Ansatz für die Verkehrsprognose vor, der dynamische Bayes’sche Netze mit zeitlich veränderlichen Eigenschaften einsetzt, um die fein granulare räumlich-zeitliche Topologie von Verkehrsdaten zu erfassen. Anschließend nutzen wir Graph-Convolutional Networks zur Erzeugung von Verkehrsprognosen. Um unsere Methode in der Lage zu sehen, nichtlineare Verkehrspropagationsmuster effizient zu modellieren, entwickeln wir ein auf Deep Learning basierendes Modul als Hyper-Netzwerk, das schrittweise dynamische kausale Graphen generiert. Unsere experimentellen Ergebnisse auf einem realen Verkehrsdatensatz belegen die überlegene Prognoseleistung des vorgeschlagenen Ansatzes. Der Quellcode ist unter https://github.com/MonBG/DCGCN verfügbar.