La predicción del tráfico de red es esencial para una gestión y planificación eficientes de la red. Los modelos precisos de pronóstico a largo plazo también son esenciales para el control proactivo de los próximos eventos de congestión. Debido a las complejas dependencias espacio-temporales entre los flujos de tráfico, los modelos tradicionales de pronóstico de series temporales a menudo no pueden extraer completamente las características espacio-temporales entre los flujos de tráfico. Para abordar este problema, proponemos un modelo de red convolucional gráfica basado en doble canal (DC-STGCN). El modelo propuesto consta de dos componentes temporales que caracterizan la correlación diaria y semanal del tráfico de red. Cada uno de estos dos componentes contiene un módulo de extracción de características espacio-temporales que consta de una red convolucional gráfica de doble canal (DCGCN) y una unidad recurrente con compuerta (GRU). El DCGCN consta además de un módulo de extracción de características de adyacencia (AGCN) y un módulo de extracción de características de correlación (PGCN) para capturar la conectividad entre nodos y la correlación de proximidad, respectivamente. El GRU extrae además las características temporales del tráfico. Los resultados experimentales basados en conjuntos de datos de red reales muestran que la precisión de predicción del modelo DC-STGCN supera el punto de referencia existente y es capaz de hacer predicciones a largo plazo.