Die Vorhersage von Verkehrsflüssen stellt eine zentrale Herausforderung für Forscher und Praktiker im Bereich der Verkehrswissenschaft dar. Dies liegt jedoch an der hohen Nichtlinearität und Komplexität der Verkehrsflüsse, die es erschweren, präzise Prognosen zu erstellen. Die meisten bestehenden Methoden zur Verkehrsflussvorhersage sind aufgrund ihrer Unfähigkeit, dynamische räumlich-zeitliche Korrelationen in Verkehrsdaten zu modellieren, nicht in der Lage, zufriedenstellende Ergebnisse zu erzielen. In diesem Artikel stellen wir ein neuartiges, auf Aufmerksamkeit basierendes räumlich-zeitliches Graph-Convolutional-Netzwerk (ASTGCN) vor, um das Problem der Verkehrsflussvorhersage zu lösen. Das ASTGCN-Modell besteht hauptsächlich aus drei unabhängigen Komponenten, die jeweils drei unterschiedliche zeitliche Eigenschaften von Verkehrsflüssen modellieren: kurzfristige, tägliche und wöchentliche Abhängigkeiten. Genauer gesagt, enthält jede Komponente zwei zentrale Bestandteile: 1) einen räumlich-zeitlichen Aufmerksamkeitsmechanismus zur effektiven Erfassung dynamischer räumlich-zeitlicher Korrelationen in den Verkehrsdaten; 2) eine räumlich-zeitliche Faltung, die gleichzeitig Graph-Faltungen zur Erfassung räumlicher Muster und herkömmliche Faltungen zur Beschreibung zeitlicher Merkmale nutzt. Die Ausgaben der drei Komponenten werden gewichtet zusammengeführt, um die endgültigen Vorhersageresultate zu generieren. Experimente an zwei realen Datensätzen aus dem Caltrans Performance Measurement System (PeMS) zeigen, dass das vorgeschlagene ASTGCN-Modell die derzeit besten Ansätze deutlich übertrifft.