相関する交通時系列における複雑な時空間的依存関係のモデリングは、交通予測において不可欠である。近年の研究では、ニューラルネットワークを用いて時空間的相関を抽出することで予測性能が向上しているが、その効果は交通ネットワークの空間的トポロジーを表現するグラフ構造の質に大きく依存している。本研究では、時変動する動的ベイジアンネットワーク（dynamic Bayesian network）を組み込むことで、交通データの細かい時空間的トポロジーを捉える新しい予測手法を提案する。さらに、グラフ畳み込みネットワーク（graph convolutional network）を用いて交通予測を実現する。本手法が非線形な交通伝播パターンを効率的にモデル化できるようにするため、ステップごとの動的因果グラフを生成するための深層学習ベースのモジュール（ハイパーネットワーク）を構築した。実際の交通データセットを用いた実験結果から、提案手法が優れた予測性能を示すことが確認された。コードは以下のURLで公開されている：https://github.com/MonBG/DCGCN。