時空間ネットワークをグラフ畳み込みネットワーク（GCN）を用いて構築する手法は、交通信号の予測において最も一般的なアプローチの一つとなっている。しかし、交通速度予測にGCNを適用する際、従来の手法はセンサー間の関係を均質なグラフとして仮定し、センサーが蓄積したデータに基づいて隣接行列を学習する。実際には、センサー間の空間相関は一様ではなく、異なる視点から多様に定義される。本研究では、交通信号データに内在する非均質性を捉え、センサー間の隠れた関係を多様な方法で学習することを目的とする。具体的には、センサー間の空間関係を「静的」と「動的」のモジュールに分けて、各モジュールごとに非均質グラフを構築する手法を提案した。さらに、非均質グラフにおける各チャネルの重要性を考慮しつつ隣接ノードの隠れ状態を集約する、ネットワーク分散型アテンションを用いた非均質性に配慮したグラフ畳み込みネットワーク（HAGCN）を提案した。実際の交通データセットを用いた実験結果により、提案手法の有効性が検証され、既存モデル比で6.35%の性能向上を達成し、最先端の予測性能を実現した。