道路網における交通予測は、交通システムの複雑性に起因して極めて困難な課題であり、成功したスマート交通システムの応用において重要な役割を果たす。従来の手法は、グラフ構造に関する事前知識に依存して静的な空間的依存関係を捉えることが多く、しかし空間的依存関係は動的であり、場合によっては物理的な構造が道路間の真の関係を反映していないこともある。交通ネットワーク上の複雑な時空間的依存関係をより適切に捉え、交通状況を正確に予測するため、本研究では「空間時系列注意ウェーブネット（Spatial-Temporal Attention Wavenet, STAWnet）」と呼ばれるマルチステップ予測モデルを提案する。時間的畳み込みを用いて長い時系列データを処理し、自己注意機構（self-attention network）により異なるノード間の動的な空間的依存関係を捉える。既存のモデルとは異なり、STAWnetはグラフ構造に関する事前知識を必要とせず、代わりに自己学習型のノード埋め込み（self-learned node embedding）を導入している。これらの要素をエンド・ツー・エンドのフレームワークに統合した。METR-LA、PEMS-BAY、PEMS07の3つの公開交通予測データセットを用いた実験結果から、本モデルの有効性が示された。特に、1時間先の予測において、ネットワーク構造に関する事前知識を一切用いない状態で、最先端の手法を上回る性能を達成した。