En las redes viales, la información de atributos transportada por los nodos de los segmentos de carretera, como el clima y puntos de interés (POI), exhibe una fuerte heterogeneidad y a menudo implica relaciones de uno a muchos o muchos a uno. Sin embargo, la investigación sobre dicha heterogeneidad en la predicción del tráfico es relativamente limitada. Nuestra investigación examina cómo variar el patrón de propagación de la red en función del grado de heterogeneidad de nodo a nodo de la información afecta el rendimiento de predicción del modelo. Específicamente, a nivel de nodo, utilizamos la incrustación de conocimiento para generar vectores de conocimiento que cuantifican la heterogeneidad entre la información de atributos de un nodo. A nivel de red vial, calculamos una matriz de adyacencia de homogeneidad que captura tanto la estructura topológica de la red vial como la similitud de la heterogeneidad del nodo. Esta matriz de adyacencia asigna diferentes pesos a los vecinos en función de su homogeneidad, guiando la propagación de las redes convolucionales de grafos (GCN). Finalmente, separamos la representación de la propagación en auto-representación y representación de vecinos para extraer información multiatributo, incluyendo auto, homogeneidad y heterogeneidad. Los experimentos en conjuntos de datos reales demuestran que la incorporación de nuestra matriz de adyacencia de homogeneidad conduce a una mejora significativa en la precisión de la predicción a corto y largo plazo en comparación con trabajos anteriores sobre información homogénea y unidimensional. Además, nuestro enfoque mantiene su ventaja de rendimiento sobre modelos de referencia bajo diferentes dimensiones de incrustación y configuraciones de parámetros.