交通流予測はスマート交通管理システムの基盤である。現在の手法は、空間時系列相関を捉えるために複雑なモデルの開発に注力しているが、交通流に内在する潜在的な特徴の活用にはあまり配慮していない。まず、異なる道路ノード間の相関関係は静的ではなく、動的変化を示す。次に、交通データには明確な周期性が見られるが、現行の研究ではその周期的特徴の探求と活用が不足している。さらに、現在のモデルは通常、過去のデータのみを用いてモデリングを行うため、交通流の将来の動向変化を正確に捉えることが制限されている。これらの課題に対処するため、本研究では周期的動的グラフからシーケンスへのモデル（Periodic Dynamic Graph to Sequence Model, PDG2Seq）を提案する。PDG2Seqは、周期的特徴選択モジュール（Periodic Feature Selection Module, PFSM）と周期的動的グラフ畳み込みゲート付き再帰型ユニット（Periodic Dynamic Graph Convolutional Gated Recurrent Unit, PDCGRU）から構成され、リアルタイム交通の空間時系列特徴をより深く抽出する。PFSMは時刻をインデックスとして用いて学習された周期的特徴を抽出する。一方、PDCGRUはPFSMから抽出された周期的特徴と交通流から得られる動的特徴を統合し、周期的動的グラフを構築して空間時系列特徴を抽出する。推論フェーズでは、PDG2Seqは予測対象に対応する周期的特徴を活用することで、将来の動向変化をより正確に捉える。4つの大規模データセットを用いた包括的な実験により、PDG2Seqが既存の最先端手法を上回る性能を示すことが確認された。関連コードは以下のGitHubリポジトリで公開されている：https://github.com/wengwenchao123/PDG2Seq。