실시간이고 정밀한 교통 흐름 예측은 지능형 교통 시스템의 효율성에 있어 핵심적인 요소이다. 기존의 방법들은 도시 도로망 내 교통 노드 간의 공간적 상관관계를 설명하기 위해 사전에 정의된 그래프를 사용하는 그래프 신경망(GNN)을 자주 활용한다. 그러나 이러한 사전 정의된 그래프는 기존의 지식과 그래프 생성 기법의 한계로 인해 공간적 상관관계를 완전히 반영하지 못하는 문제가 있다. 데이터 기반 학습을 기반으로 한 시간에 따라 변화하는 그래프는 이러한 한계를 해결하려는 시도를 하고 있으나, 여전히 교통 데이터 내 본질적인 공간적 상관관계를 충분히 포착하지 못하는 문제를 안고 있다. 더불어, 현재 대부분의 동적 시간적 상관관계를 모델링하는 방법은 동일한 계산 방식을 사용하는 시간적 다중 헤드 자기주의 메커니즘(temporal multi-head self-attention mechanism)에 의존하고 있어, 어느 정도의 정확도 저하를 초래할 수 있다. 이러한 문제를 극복하기 위해, 본 연구에서는 교통 흐름 예측을 위한 새로운 하이브리드 시간 변동 그래프 신경망(HTVGNN)을 제안한다. 첫째, 시간에 따라 변화하는 마스크 강화 기반의 개선된 시간적 인지 다중 헤드 자기주의 메커니즘을 도입하여, 교통망 내 다양한 교통 노드 간의 동적 시간적 의존성을 더 정확히 모델링한다. 둘째, 도로망 내 서로 다른 교통 노드 간의 정적 및 동적 공간적 상관관계를 동시에 학습할 수 있는 새로운 그래프 학습 전략을 제안한다. 또한, 시간 변동 그래프의 학습 능력을 향상시키기 위해 각 시간 단계에서 학습된 그래프를 결합하는 쌍방향 그래프 학습 메커니즘(coupled graph learning mechanism)을 설계하였다. 마지막으로, 네 가지 실제 데이터셋을 활용한 실험을 통해 제안된 HTVGNN의 효과성을 입증하였다. 시뮬레이션 결과, 기존 최첨단 공간-시간 그래프 신경망 모델들과 비교하여 HTVGNN은 뛰어난 예측 정확도를 달성함을 확인하였다. 추가적으로, 제거 실험(ablation experiment)를 통해 쌍방향 그래프 학습 메커니즘이 HTVGNN의 장기 예측 성능을 효과적으로 향상시킬 수 있음을 확인하였다.