Die Verkehrsprognose auf Basis graphenbasierter Strukturen stellt eine herausfordernde Aufgabe dar, da Verkehrsnetze typischerweise komplexe Strukturen aufweisen und die zu analysierenden Daten variable zeitliche Merkmale enthalten. Zudem hängt die Qualität der räumlichen Merkmalsextraktion stark von den Gewichtseinstellungen der Graphen ab. In der Verkehrsplanung werden die Gewichte dieser Graphen derzeit üblicherweise auf Basis von Faktoren wie der Entfernung zwischen Straßen berechnet. Diese Ansätze berücksichtigen jedoch weder die Eigenschaften der Straßen selbst noch die Korrelationen zwischen verschiedenen Verkehrsströmen. Bisherige Methoden legen meist stärker auf die Extraktion lokaler räumlicher Abhängigkeiten Wert, während globale räumliche Abhängigkeiten vernachlässigt werden. Ein weiteres zentrales Problem besteht darin, aus Graphstrukturen mit begrenzter Tiefe ausreichend Informationen zu extrahieren. Um diese Herausforderungen zu bewältigen, schlagen wir ein Random Graph Diffusion Attention Network (RGDAN) für die Verkehrsprognose vor. Das RGDAN besteht aus einem Graph-Diffusions-Attention-Modul und einem zeitlichen Attention-Modul. Das Graph-Diffusions-Attention-Modul kann seine Gewichte durch datengestütztes Lernen wie ein CNN anpassen, um realistischere räumliche Abhängigkeiten zu erfassen. Das zeitliche Attention-Modul erfasst die zeitlichen Korrelationen. Experimente auf drei großen öffentlichen Datensätzen zeigen, dass das RGDAN Vorhersagen mit einer Präzision um 2 % bis 5 % höher als die aktuell besten Methoden liefert.