時空間交通フロー予測の正確性は、交通管理者が制御策を実施する際の支援や、ドライバーが最適な経路を選択する際の助言において極めて重要である。従来の深層学習ベースの交通フロー予測手法は、通常、過去のデータを用いてモデルを学習し、その学習済みモデルを用いて将来のデータを予測する。しかし、過去データと将来データの間に時間的ドリフト（temporal drift）が生じるため、学習済みモデルの性能は通常低下する。本稿では、過去データで学習されたモデルが、将来データに完全にオンライン（online）な形で適応できるようにするため、時空間交通フロー予測問題における「オンライン・テスト時適応（test-time adaptation）」技術の初めての研究を実施する。そのため、本研究では、学習済みモデルの出力を季節成分とトレンド・サイクル成分に分解し、テスト段階において最新の観測データを逐次的に用いて、2つの別々のモジュールでそれぞれ補正を行う「系列分解による適応的二重補正（Adaptive Double Correction by Series Decomposition: ADCSD）」手法を提案する。ADCSD手法では、テスト段階で学習済みモデル全体のファインチューニングを行うのではなく、学習済みモデルの後段に軽量ネットワーク（lite network）を接続し、観測データ1件ごとにその軽量ネットワークのみをファインチューニングする。さらに、異なる時系列変数が異なるレベルの時間的ドリフトを示す可能性を考慮し、異なる時系列変数に異なる重みを付与するため、2つの適応的ベクトル（adaptive vectors）を導入する。4つの実世界交通フロー予測データセットを用いた広範な実験により、提案手法ADCSDの有効性が実証された。コードは以下のGitHubリポジトリで公開されている：https://github.com/Pengxin-Guo/ADCSD。