In den letzten Jahren hat die tiefe Lernverfahren zunehmend Aufmerksamkeit im Bereich der Verkehrsprognose erfahren. Bestehende Verkehrsprognosemodelle stützen sich häufig auf Graph-Convolutional-Netze (GCNs) oder Aufmerksamkeitsmechanismen mit einer Komplexität von O(N²), um dynamisch Verkehrsnode-Features zu extrahieren, was ineffizient ist und keine leichte Architektur darstellt. Zudem berücksichtigen diese Modelle typischerweise nur historische Daten für die Prognose und ignorieren den Einfluss der Zielinformation auf die Vorhersage. Um diese Probleme zu lösen, schlagen wir ein Pattern-Matching Dynamic Memory Network (PM-DMNet) vor. Das PM-DMNet nutzt ein neuartiges dynamisches Gedächtnisnetzwerk, um Verkehrs-Mustermerkmale mit lediglich O(N)-Komplexität zu erfassen, wodurch der Rechenaufwand erheblich reduziert wird, ohne dass die Leistungseinbußen in Kauf genommen werden müssen. Zudem führt das PM-DMNet zwei Vorhersagemethoden ein: die rekursive Mehrschritt-Vorhersage (RMP) und die parallele Mehrschritt-Vorhersage (PMP), die die zeitlichen Merkmale des vorherzusagenden Ziels nutzen, um den Prognoseprozess zu unterstützen. Außerdem wird ein Transfer-Aufmerksamkeitsmechanismus in die PMP integriert, der historische Datenmerkmale so transformiert, dass sie besser mit den Zuständen des vorherzusagenden Ziels übereinstimmen, wodurch Trendänderungen genauer erfasst und Fehler reduziert werden. Umfangreiche Experimente belegen die Überlegenheit des vorgeschlagenen Modells gegenüber bestehenden Benchmarks. Der Quellcode ist unter folgender Adresse verfügbar: https://github.com/wengwenchao123/PM-DMNet.