Echtzeit- und präzise Vorhersage von Verkehrsströmen ist entscheidend für die Effizienz intelligenter Verkehrssysteme. Traditionelle Methoden verwenden häufig Graphen-neuronale Netze (GNNs) mit vorgegebenen Graphen, um räumliche Korrelationen zwischen Verkehrs-Knoten in städtischen Straßennetzen zu beschreiben. Diese vorgegebenen Graphen sind jedoch durch bestehendes Wissen und die Methoden zur Graphenerzeugung begrenzt und bieten ein unvollständiges Bild räumlicher Korrelationen. Obwohl zeitabhängige Graphen, die auf datengetriebenen Lernansätzen basieren, versucht haben, diese Einschränkungen zu überwinden, gelingt es ihnen weiterhin nicht ausreichend, die inhärenten räumlichen Korrelationen in Verkehrsdaten zu erfassen. Zudem basieren die meisten aktuellen Ansätze zur Erfassung dynamischer zeitlicher Korrelationen auf einer einheitlichen Berechnungsschemata mit einem zeitlichen Multi-Head-Self-Attention-Mechanismus, was auf gewisse Weise zu Ungenauigkeiten führen kann. Um diese Herausforderungen zu bewältigen, stellen wir ein neuartiges hybrides zeitabhängiges Graphen-Neuronales Netzwerk (HTVGNN) für die Verkehrsstromvorhersage vor. Zunächst wird ein neuartiger, verbessertes zeitliches Wahrnehmungs-Multi-Head-Self-Attention-Mechanismus vorgestellt, der auf einer zeitabhängigen Maskenverbesserung basiert und die dynamischen zeitlichen Abhängigkeiten zwischen unterschiedlichen Verkehrs-Knoten im Netzwerk genauer modelliert. Zweitens wird eine neuartige Graphen-Lernstrategie vorgeschlagen, die es ermöglicht, sowohl statische als auch dynamische räumliche Beziehungen zwischen verschiedenen Verkehrs-Knoten in Straßennetzen gleichzeitig zu lernen. Gleichzeitig wurde ein gekoppelter Graphen-Lernmechanismus entworfen, um die Lernfähigkeit zeitabhängiger Graphen zu verstärken, indem die zu jedem Zeitpunkt gelernten Graphen miteinander verknüpft werden. Schließlich wird die Wirksamkeit des vorgeschlagenen Ansatzes HTVGNN anhand von vier realen Datensätzen nachgewiesen. Simulationsergebnisse zeigen, dass HTVGNN eine überlegene Vorhersagegenauigkeit im Vergleich zu den aktuellen Spitzenmodellen für raumzeitliche Graphen-neuronale Netze erreicht. Darüber hinaus bestätigt der Ablationsexperiment, dass der gekoppelte Graphen-Lernmechanismus die Leistung bei langfristigen Vorhersagen von HTVGNN effektiv verbessert.