在复杂的时间序列数据中建模空间与时间的多重相关性，对于理解交通动态并预测演进交通系统的未来状态至关重要。近期研究多致力于设计复杂的图神经网络架构，借助预定义的图结构来捕捉共享模式。本文认为，学习节点特异性模式对于交通预测具有关键作用，而预定义的图结构则并非必要。为此，我们提出两种自适应模块，以增强图卷积网络（GCN）的能力：1）节点自适应参数学习（Node Adaptive Parameter Learning, NAPL）模块，用于捕捉节点特异性的模式；2）数据自适应图生成（Data Adaptive Graph Generation, DAGG）模块，用于自动推断不同交通序列之间的相互依赖关系。在此基础上，我们进一步提出一种自适应图卷积循环网络（Adaptive Graph Convolutional Recurrent Network, AGCRN），结合上述两个模块与循环网络结构，自动捕捉交通序列中细粒度的空间与时间相关性。在两个真实世界交通数据集上的实验结果表明，AGCRN在无需依赖预定义空间连接图的情况下，显著优于现有最先进方法。