Genauere Vorhersage von Verkehrsströmen ist für Anwendungen im Bereich der Verkehrslogistik von entscheidender Bedeutung, stellt jedoch aufgrund komplexer räumlich-zeitlicher Korrelationen und nichtlinearer Verkehrsabläufe weiterhin eine Herausforderung dar. Bestehende Methoden modellieren räumliche und zeitliche Abhängigkeiten oft getrennt, wodurch eine effektive Fusions dieser Informationen misslingt. Um diese Einschränkung zu überwinden, wird der Dynamic Spatial-Temporal Trend Transformer (DST2former) vorgestellt, um räumlich-zeitliche Korrelationen durch adaptives Embedding zu erfassen und dynamische sowie statische Informationen zu fusionieren, um mehrdimensionale dynamische Merkmale von Verkehrsnetzwerken zu lernen. Der Ansatz nutzt den Dynamic Trend Representation Transformer (DTRformer), um dynamische Trends mithilfe von Encoder-Modulen für sowohl zeitliche als auch räumliche Dimensionen zu generieren, die über eine Cross-Spatial-Temporal-Attention-Struktur fusioniert werden. Vorgegebene Graphen werden in einen Repräsentationsgraphen komprimiert, um statische Merkmale zu extrahieren und Redundanz zu reduzieren. Experimente an vier realen Verkehrsdatensätzen zeigen, dass unser Framework eine state-of-the-art-Leistung erreicht.