多变量时间序列预测面临挑战，因为各变量在时间和空间上相互关联，例如交通信号数据即为典型例子。通过在图结构上定义信号，可借助如热扩散核（heat diffusion kernel）等图核来表征信号在空间上的演化过程，从而缓解此类复杂性。然而，仅依赖图结构的热扩散核难以充分捕捉数据的真实动态特性。这一局限可通过将图核表示与基于历史数据的驱动模型相结合来弥补。本文提出一种交通传播模型，该模型将多个热扩散核融合进一个数据驱动的预测框架，用于预测交通信号。通过贝叶斯推断优化模型参数，以最小化预测误差，进而确定两种方法的混合比例。该混合比例显著依赖于训练数据的规模以及数据中的异常情况，而后者通常对应于交通数据中的高峰时段。实验结果表明，所提模型在预测精度上可与当前最先进的深度神经网络相媲美，同时具有更低的计算开销。尤其值得注意的是，该模型通过继承数据驱动模型中的周期性建模能力，在长期预测任务中表现出卓越性能。