リアルタイムかつ高精度な交通流予測は、スマート交通システムの効率性を確保する上で極めて重要である。従来の手法では、都市道路網における交通ノード間の空間的相関を記述するために、事前に定義されたグラフを用いたグラフニューラルネットワーク（GNN）が広く用いられている。しかし、こうした事前定義されたグラフは、既存の知識やグラフ生成手法の制約により、空間的相関を完全に捉えることが困難であり、不完全な相関構造を反映してしまう。近年、データ駆動型学習に基づく時変グラフを用いたアプローチが、こうした限界を克服しようとしているが、依然として交通データに内在する空間的相関を適切に捉えるには至っていない。さらに、現在の多くの動的時系列相関を捉える手法は、一様な計算スキームに基づく時系列マルチヘッド自己注意機構（temporal multi-head self-attention mechanism）に依存しており、その構造上、一定程度の精度の低下を招く可能性がある。こうした課題を克服するため、本研究では交通流予測を目的とした新しいハイブリッド時変グラフニューラルネットワーク（HTVGNN）を提案する。まず、時変マスク強化に基づく新たな拡張型時系列感知マルチヘッド自己注意機構を導入し、交通ネットワーク内の異なる交通ノード間の動的時系列依存関係をより正確にモデル化することを実現した。次に、道路網における異なる交通ノード間の静的および動的空間的関係を同時に学習するための新たなグラフ学習戦略を提案した。さらに、時変グラフの学習能力を強化するため、各時刻で学習されたグラフを相互に結合する「連携型グラフ学習機構」を設計した。最後に、4つの実データセットを用いた実験により、提案手法HTVGNNの有効性を検証した。シミュレーション結果から、HTVGNNは既存の最先端の空間時系列グラフニューラルネットワークモデルと比較して、優れた予測精度を達成することが明らかになった。また、アブレーション実験により、連携型グラフ学習機構がHTVGNNの長期予測性能を効果的に向上させることも確認された。