近年、ディープラーニングは交通予測分野においてますます注目を集めている。既存の交通予測モデルは、交通ノードの特徴を動的に抽出するために、計算量がO(N²)に達するGCN（グラフ畳み込みネットワーク）やアテンション機構に依存していることが多く、効率性に欠け、軽量性に劣るという問題がある。さらに、これらのモデルは通常、予測に過去のデータのみを用いており、予測対象の情報を考慮しないという課題も抱えている。このような問題を解決するために、本研究では「パターンマッチング型ダイナミックメモリネットワーク（Pattern-Matching Dynamic Memory Network, PM-DMNet）」を提案する。PM-DMNetは、新たなダイナミックメモリネットワークを採用し、交通パターン特徴をO(N)の計算量で捉えることで、計算負荷を大幅に削減しつつ、優れた予測性能を達成している。また、PM-DMNetは、予測対象の時系列特徴を活用する2つの予測手法——逐次的多ステップ予測（Recursive Multi-step Prediction, RMP）と並列的多ステップ予測（Parallel Multi-step Prediction, PMP）——を導入している。さらに、PMPには転送アテンション機構を組み込み、過去データの特徴を予測対象の状態に適切に変換することで、トレンドの変化をより正確に捉え、予測誤差を低減している。広範な実験により、提案モデルが既存のベンチマークに対して優れた性能を発揮することが実証された。ソースコードは以下のURLから入手可能である：https://github.com/wengwenchao123/PM-DMNet。