En la navegación en multitudes, el aprendizaje por refuerzo basado en redes neuronales gráficas es un método prometedor, que resuelve eficazmente el pobre efecto de navegación basado en el modelo de interacción social y el comportamiento de congelación del robot en casos extremos. Sin embargo, dado que la correlación de información de la trayectoria humana no se ha incluido en el método, su rendimiento aún necesita mejoras. Por lo tanto, propusimos un modelo de aprendizaje por refuerzo profundo basado en la Red de Convolución Gráfica Espacial-Temporal Social (SSTGCN) para abordar el problema de la navegación en multitudes, en el que se ha aprovechado la información espacio-temporal de la trayectoria humana para predecir las intenciones de comportamiento humano y ayudar al robot a planificar su camino de manera más eficiente. El modelo consta de un módulo de aprendizaje gráfico y un módulo de planificación hacia adelante del robot. En el módulo de aprendizaje gráfico, se aprovechan las características latentes de los agentes para razonar sobre las relaciones entre ellos, y se utiliza SSTGCN para actualizar la matriz de características. Además, el módulo de estimación de valor calcula la representación del estado y el módulo de predicción de estado predice el siguiente estado. El módulo de planificación hacia adelante del robot utiliza la planificación de k pasos para estimar la calidad del estado y busca la mejor planificación de k pasos. Probamos nuestro modelo en la plataforma Crowd-Nav, y los resultados muestran que nuestro modelo tiene una alta tasa de éxito en la navegación y un corto tiempo de navegación. Además, tiene buena robustez ante cambios en la multitud.