Die Technologie der Verkehrsflussvorhersage spielt eine zentrale Rolle in intelligenten Verkehrssystemen. Basierend auf Graph-Neural-Networks und Aufmerksamkeitsmechanismen nutzen die meisten bisherigen Ansätze die Transformer-Architektur, um räumlich-zeitliche Abhängigkeiten und dynamische Beziehungen zu erfassen. Allerdings berücksichtigen sie die Korrelationsinformationen zwischen räumlich-zeitlichen Sequenzen nicht ausreichend. In diesem Artikel stellen wir auf Basis des maximalen Informationskoeffizienten zwei präzise räumlich-zeitliche Darstellungen vor: räumliche Korrelationsinformation (SCorr) und zeitliche Korrelationsinformation (TCorr). Mittels SCorr entwickeln wir ein korrelationsbasiertes räumlich-zeitliches Netzwerk (CorrSTN), das eine dynamische Graph-Neural-Network-Komponente zur effektiven Integration von Korrelationsinformationen in die räumliche Struktur sowie eine Multi-Head-Aufmerksamkeitskomponente zur präzisen Modellierung dynamischer zeitlicher Abhängigkeiten enthält. Unter Verwendung von TCorr untersuchen wir die Korrelationsmuster zwischen verschiedenen periodischen Datensätzen, um die relevantesten Daten zu identifizieren, und entwerfen anschließend ein effizientes Datenauswahlverfahren, um die Modellleistung weiter zu steigern. Die experimentellen Ergebnisse auf den Datensätzen des Autobahn-Verkehrsflusses (PEMS07 und PEMS08) sowie des U-Bahn-Passagierflusses (HZME Ein- und Ausfluss) zeigen, dass CorrSTN die derzeit fortschrittlichsten Methoden hinsichtlich der Vorhersagegenauigkeit übertrifft. Insbesondere erreicht unser Modell auf dem HZME (Ausfluss)-Datensatz im Vergleich zum ASTGNN-Modell signifikante Verbesserungen um 12,7 %, 14,4 % und 27,4 % bezogen auf die Metriken MAE, RMSE und MAPE.