Eine zeitgerechte und genaue Verkehrsprognose ist entscheidend für die städtische Verkehrssteuerung und -führung. Aufgrund der hohen Nichtlinearität und Komplexität des Verkehrsaufkommens können traditionelle Methoden den Anforderungen von Mittel- und Langfristprognosen nicht gerecht werden und vernachlässigen oft räumliche und zeitliche Abhängigkeiten. In dieser Arbeit schlagen wir ein neues tiefes Lernverfahren vor, nämlich die raumzeitlichen Graphkonvolutionalnetze (Spatio-Temporal Graph Convolutional Networks, STGCN), um das Zeitreihenprognoseproblem im Verkehrsbereich zu lösen. Anstelle regulärer Faltungs- und rekurrenter Einheiten formulieren wir das Problem auf Graphen und bauen das Modell mit vollständigen Faltungsstrukturen, was eine viel schnellere Trainingsgeschwindigkeit bei weniger Parametern ermöglicht. Experimente zeigen, dass unser Modell STGCN durch die Modellierung multiskaliger Verkehrsnetzwerke umfassende raumzeitliche Korrelationen effektiv erfasst und konsistent bessere Ergebnisse als die besten bisher bekannten Baseline-Methoden auf verschiedenen realweltlichen Verkehrsdatensätzen erzielt.