La predicción precisa del flujo de tráfico es muy importante para aliviar la congestión en las carreteras. Debido a la intrincada dependencia espacio-temporal de los flujos de tráfico, especialmente las correlaciones dinámicas ocultas entre los nodos de la carretera y las características dinámicas espacio-temporales de los flujos de tráfico, se propone un modelo de predicción del flujo de tráfico basado en un mecanismo de atención probabilística dispersa de convolución gráfica espacio-temporal dinámica interactiva (IDG-PSAtt). Específicamente, el modelo IDG-PSAtt consiste en una red de convolución gráfica dinámica interactiva (IL-DGCN) con un bloque de convolución espacio-temporal (ST-Conv) y un mecanismo de autoatención dispersa probabilística (ProbSSAtt). El IL-DGCN divide la serie temporal de un flujo de tráfico en intervalos y comparte de manera sincrónica e interactiva las características dinámicas espacio-temporales capturadas. El bloque ST-Conv se utiliza para capturar las complejas características dinámicas espacio-temporales del flujo de tráfico, y el bloque ProbSSAtt se utiliza para pronósticos a medio y largo plazo. Además, se genera un GCN dinámico fusionando matrices de adyacencia adaptativas y aprendibles para aprender las asociaciones dinámicas ocultas entre los nodos de la red vial. Los resultados experimentales demuestran que el modelo IDG-PSAtt supera a los métodos de referencia en términos de precisión de predicción. Específicamente, en METR-LA, el error absoluto medio (MAE) y el error cuadrático medio (RMSE) inducidos por IDG-PSAtt para un escenario de pronóstico de 60 minutos se reducen en 0.75 y 1.31, respectivamente, en comparación con los de los modelos más avanzados. Esta mejora en la predicción del flujo de tráfico conducirá a estimaciones más precisas de las emisiones producidas por fuentes móviles, resultando en pronósticos de calidad del aire más precisos. En consecuencia, esta investigación apoyará en gran medida los esfuerzos de gestión ambiental local.