Als unverzichtbarer Bestandteil eines Intelligenten Verkehrssystems (ITS) ist die Aufgabe der Verkehrsprognose inhärent drei herausfordernden Aspekten unterworfen. Erstens sind Verkehrsdaten physisch mit Straßennetzen verknüpft und müssen daher als Verkehrsgraphen, nicht als herkömmliche gitterförmige Tensoren, strukturiert werden. Zweitens zeigen Verkehrsdaten starke räumliche Abhängigkeiten, was bedeutet, dass die Knoten in den Verkehrsgraphen gewöhnlich komplexe und dynamische Beziehungen zueinander aufweisen. Drittens weisen Verkehrsdaten starke zeitliche Abhängigkeiten auf, die für die Modellierung von Verkehrszeitreihen von entscheidender Bedeutung sind. Um diesen Herausforderungen zu begegnen, schlagen wir einen neuartigen Ansatz namens Structure Learning Convolution (SLC) vor, der die traditionelle Faltungsneuronale Netzwerk (CNN)-Architektur auf Graphen erweitert und gleichzeitig die Graphstruktur für die Verkehrsprognose lernt. Technisch wird die Strukturinformation explizit in den Faltungsprozess integriert. Unter diesem Rahmen können verschiedene nicht-Euklidische CNN-Methoden als spezielle Fälle unserer Formulierung betrachtet werden, was eine flexible Mechanik für das Lernen auf Graphen ermöglicht. Entlang dieser technischen Linie werden zwei SLC-Module vorgeschlagen, um jeweils globale und lokale Strukturen zu erfassen, die anschließend kombiniert werden, um ein end-to-end-Netzwerk für die Verkehrsprognose zu konstruieren. Zudem werden Pseudo-drei-dimensionale Faltungsnetzwerke (P3D) mit SLC kombiniert, um die zeitlichen Abhängigkeiten in den Verkehrsdaten zu erfassen. Umfangreiche vergleichende Experimente auf sechs realen Datensätzen zeigen, dass der vorgeschlagene Ansatz die derzeit besten Verfahren signifikant übertrifft.