Die Verkehrsprognose ist von großer Bedeutung für intelligente Verkehrssysteme (Intelligent Transportation Systems, ITS). Aufgrund der Komplexität des Verkehrsverhaltens und der nicht-euklidischen Struktur von Verkehrsdaten ist eine präzise Verkehrsprognose herausfordernd. Obwohl frühere Studien die Beziehungen zwischen verschiedenen Knoten berücksichtigt haben, basieren die meisten auf einer statischen Darstellung und können dynamische Wechselwirkungen zwischen Knoten über die Zeit nicht adäquat erfassen. Zudem haben vorherige Arbeiten RNN-basierte Modelle eingesetzt, um zeitliche Abhängigkeiten zu erfassen. Obwohl RNNs eine gängige Wahl für Prognoseaufgaben sind, zeichnen sie sich oft durch hohen Speicherverbrauch und langsame Trainingszeiten aus. Darüber hinaus beginnen jüngere Studien, Similaritätsalgorithmen einzusetzen, um die Bedeutung eines Knotens gegenüber anderen besser zu erfassen. Allerdings ist uns bislang keine Arbeit bekannt, die den Beitrag von Knoten-