Genauere räumlich-zeitliche Verkehrsflussvorhersage ist entscheidend dafür, Verkehrsmanagern bei der Umsetzung von Steuerungsmaßnahmen zu helfen und Fahrern bei der Auswahl optimaler Routen zu unterstützen. Traditionelle, auf tiefen Lernverfahren basierende Ansätze zur Verkehrsflussvorhersage stützen sich typischerweise auf historische Daten, um ihre Modelle zu trainieren, die anschließend zur Vorhersage zukünftiger Daten eingesetzt werden. Allerdings verschlechtert sich die Leistung des trainierten Modells in der Regel aufgrund von zeitlichen Driftphänomenen zwischen historischen und zukünftigen Daten. Um das auf historischen Daten trainierte Modell in einer vollständig online-orientierten Weise besser an zukünftige Daten anzupassen, führt diese Arbeit die erste Studie zu Online-Testzeit-Anpassungstechniken für räumlich-zeitliche Verkehrsflussvorhersageprobleme durch. Dazu stellen wir eine Adaptive Double Correction durch Seriendekomposition (ADCSD)-Methode vor, die zunächst die Ausgabe des trainierten Modells in saisonale und trendzyklische Komponenten zerlegt und diese anschließend in der Testphase jeweils einzeln mittels zweier getrennter Module anhand der neuesten beobachteten Daten korrigiert. Im vorgeschlagenen ADCSD-Verfahren wird statt einer feinen Anpassung des gesamten trainierten Modells während der Testphase ein leichtgewichtiges Netzwerk nach dem trainierten Modell angehängt, wobei lediglich dieses leichte Netzwerk bei jeder Beobachtung einer neuen Dateneingabe im Testprozess feinjustiert wird. Zudem werden zwei adaptive Vektoren eingesetzt, um sicherzustellen, dass unterschiedliche zeitliche Serienvariablen unterschiedliche Grade an zeitlicher Drift berücksichtigen können, indem sie jeweils unterschiedliche Gewichte für die verschiedenen Zeitreihenvariablen bereitstellen. Umfassende Experimente auf vier realen Verkehrsflussvorhersagedatenbanken belegen die Wirksamkeit der vorgeschlagenen ADCSD-Methode. Der Quellcode ist unter https://github.com/Pengxin-Guo/ADCSD verfügbar.