交通予測において、時空間グラフとして交通流をモデル化するグラフ畳み込みネットワーク（GCN）は、顕著な性能を達成している。しかし、従来のGCNベースの手法は、グラフ構造を道路網の物理的トポロジーとしてヒューリスティックに定義しており、グラフ構造が交通データに潜在的に依存する可能性を無視している。また、定義されたグラフ構造は決定論的であるため、不確実性の分析が行われていない。本論文では、交通予測を目的としたベイズ型時空間グラフ畳み込みネットワーク（BSTGCN）を提案する。本ネットワークにおけるグラフ構造は、道路網の物理的トポロジーと交通データからエンドツーエンドで学習されるため、交通流間の関係をより正確に記述できる。さらに、パラメトリックな生成モデルを導入してグラフ構造を表現することで、GCNの汎化能力を向上させた。本手法の有効性は2つの実世界データセットを用いて検証され、実験結果からBSTGCNが最先端の手法と比較して優れた性能を達成することが示された。