Unsere alltäglichen Lebensbedingungen werden erheblich durch Verkehrsbedingungen beeinflusst, weshalb präzise Vorhersagen des Verkehrsflusses innerhalb eines Straßennetzwerks von entscheidender Bedeutung sind. Für die Prognose verwendete Verkehrsdaten werden gewöhnlich durch Sensoren entlang der Straßen erfasst, die als Knoten in einem Graphen dargestellt werden können. Diese Sensoren liefern typischerweise normale Signale, die normale Verkehrsströme widerspiegeln, sowie abnormale Signale, die unbekannte Verkehrsstörungen anzeigen. Graphen-Convolutional-Netze (GCNs) werden aufgrund ihrer Fähigkeit, Korrelationen zwischen Netzwerkknoten zu erfassen, häufig für Verkehrsprognosen eingesetzt. Allerdings verwenden bestehende Ansätze eine vordefinierte oder adaptiv angepasste Nachbarschaftsmatrix, die die tatsächlichen Beziehungen zwischen den Signalen in der Realität nicht präzise widerspiegelt. Um dieses Problem zu lösen, schlagen wir ein Dekompositions-basiertes dynamisches Graphen-Convolutional-Recurrent-Netzwerk (DDGCRN) für die Verkehrsprognose vor. DDGCRN kombiniert ein dynamisches Graphen-Convolutional-Recurrent-Netzwerk mit einem RNN-basierten Modell, das dynamische Graphen auf Basis zeitlich veränderlicher Verkehrsdaten generiert und somit sowohl räumliche als auch zeitliche Merkmale extrahieren kann. Zudem trennt DDGCRN abnormale Signale von normalen Verkehrsdaten und modelliert sie mittels datengetriebener Ansätze, um die Prognosegenauigkeit weiter zu verbessern. Ergebnisse unserer Analyse sechs realer Datensätze belegen die Überlegenheit von DDGCRN gegenüber dem aktuellen Stand der Technik. Der Quellcode ist unter folgender URL verfügbar: https://github.com/wengwenchao123/DDGCRN.