正確かつリアルタイムの交通予測は、インテリジェント交通システムにおいて重要な役割を果たし、都市の交通計画、交通管理、および交通制御にとって極めて重要です。しかし、都市道路ネットワークのトポロジカル構造や時間とともに変動する法則性（すなわち空間依存性と時間依存性）の制約により、交通予測は常に開放的な科学的課題とされてきました。これらの空間依存性と時間依存性を同時に捉えるため、我々は新しいニューラルネットワークに基づく交通予測手法である時系列グラフ畳み込みネットワーク（T-GCN）モデルを提案します。このモデルは、グラフ畳み込みネットワーク（GCN）とゲート付き再帰ユニット（GRU）を組み合わせています。具体的には、GCNは複雑なトポロジカル構造を学習して空間依存性を捉え、GRUは交通データの動的な変化を学習して時間依存性を捉えるために使用されます。その後、T-GCNモデルは都市道路ネットワークに基づいて交通予測に用いられます。実験結果から、我々のT-GCNモデルが交通データから空間時間相関関係を得ることができ、現実世界の交通データセットにおける予測精度が最先端の基準モデルを超えることが示されました。我々のT-GCNのTensorFlow実装は以下のURLで公開されています: https://github.com/lehaifeng/T-GCN.