교통 흐름 예측 기술은 지능형 교통 시스템에서 중요한 역할을 한다. 기존의 대부분의 연구는 그래프 신경망과 어텐션 메커니즘을 기반으로 트랜스포머 아키텍처를 활용하여 공간-시간적 의존성과 동적 관계를 탐색해 왔다. 그러나 이러한 기법들은 공간-시간 시계열 간의 상관관계 정보를 충분히 고려하지 못했다. 본 논문에서는 최대 정보 계수(Maximal Information Coefficient, MIC)를 기반으로 공간적 상관관계 정보(Spatial Correlation Information, SCorr)와 시간적 상관관계 정보(Temporal Correlation Information, TCorr)라는 두 가지 정교한 공간-시간 표현 방식을 제안한다. SCorr를 활용하여, 상관관계 정보를 공간 구조에 효과적으로 통합하기 위한 동적 그래프 신경망 구성 요소와, 동적 시간적 의존성을 정확히 모델링하기 위한 멀티헤드 어텐션 구성 요소를 포함하는 상관관계 기반 공간-시간 네트워크(CorrSTN)를 제안한다. 또한 TCorr를 이용해 다양한 주기적 데이터 간의 상관 패턴을 탐색하여 가장 관련성이 높은 데이터를 식별하고, 이를 바탕으로 효율적인 데이터 선택 기법을 설계함으로써 모델 성능을 추가로 향상시킨다. PEMS07 및 PEMS08 고속도로 교통 흐름 데이터셋과 HZME 지하철 승하차 인구 흐름 데이터셋을 대상으로 수행한 실험 결과, CorrSTN이 최신 기술 대비 예측 성능에서 뛰어난 성과를 보였다. 특히 HZME(하차) 데이터셋에서 ASTGNN 모델 대비 MAE, RMSE, MAPE 지표에서 각각 12.7%, 14.4%, 27.4%의 유의미한 성능 향상을 달성하였다.