La predicción precisa del flujo de tráfico en las redes viales es esencial para los sistemas de transporte inteligente (ITS). Dado que los datos de tráfico se recopilan de la red vial con secuencias temporales y topológicas espaciales, la predicción del flujo de tráfico se considera una tarea de predicción espacio-temporal. Con la potente capacidad de modelar datos no euclidianos, los modelos basados en redes convolucionales de grafos (GCN) se han convertido en el marco principal para la predicción del tráfico. Sin embargo, los modelos existentes basados en GCN utilizan la estructura de grafo predefinida manualmente para capturar las características espaciales, ignorando la heterogeneidad de las redes viales, o simplemente realizan una convolución 1-D con un kernel fijo para capturar las dependencias temporales de los datos de tráfico, lo que resulta en una extracción insuficiente de características temporales a largo plazo. Para resolver esos problemas, se propone una red convolucional de grafo dinámico con restricción de correlación espacio-temporal (STC-DGCN) para la predicción del flujo de tráfico. En STC-DGCN, se construye primero un módulo codificador de incrustación espacio-temporal (STEM) para codificar las relaciones espaciales dinámicas de las redes viales en diferentes pasos de tiempo. Luego, se diseñan un módulo codificador de características temporales con modelado de correlación de series temporales heterogéneas (TFE-HCM) y un módulo codificador de características espaciales con modelado dinámico de múltiples grafos (SFE-DCM) para generar estructuras de grafo dinámicas para capturar de manera efectiva las correlaciones espaciales y temporales dinámicas. Finalmente, se propone un módulo de fusión de características espacio-temporales basado en un mecanismo de fusión de compuerta (STM-GM) para aprender y aprovechar de manera efectiva las relaciones espacio-temporales inherentes para la predicción del flujo de tráfico. Los resultados experimentales de tres conjuntos de datos de flujo de tráfico del mundo real demuestran el rendimiento superior del STC-DGCN propuesto en comparación con los modelos de predicción de flujo de tráfico de última generación.