Die räumlich-zeitliche Vorhersage von Verkehrsflüssen stellt eine herausfordernde Aufgabe dar, da komplexe räumliche Abhängigkeiten sowie dynamische zeitliche Muster zwischen verschiedenen Straßen bestehen. Bestehende Ansätze nutzen typischerweise vorgegebene räumliche Nachbarschaftsgraphen und komplexe Mechanismen zur Modellierung räumlicher und zeitlicher Korrelationen. Allerdings können begrenzte Darstellungen des vorgegebenen räumlichen Graphenstrukturen mit unvollständigen Nachbarschaftsverbindungen die effektive Lernung räumlich-zeitlicher Abhängigkeiten solcher Modelle einschränken. Um diese Einschränkungen zu überwinden, schlagen wir in diesem Beitrag Spatial-Temporal Fusion Graph Neural Networks (STFGNN) für die Vorhersage von Verkehrsflüssen vor. STFGNN können verborgene räumlich-zeitliche Abhängigkeiten effektiv lernen, indem sie eine neuartige Fusionsoperation verschiedener räumlicher und zeitlicher Graphen nutzen, die durch eine datengetriebene Methode generiert werden. Gleichzeitig ermöglicht die Integration dieses Fusionsgraphen-Moduls zusammen mit einem neuartigen Gated-Convolution-Modul in einer einheitlichen Schicht die Behandlung langer Sequenzen. Experimentelle Ergebnisse auf mehreren öffentlichen Verkehrsdatensätzen zeigen, dass unsere Methode konsistent eine state-of-the-art-Leistung gegenüber anderen Baselines erreicht.