En los últimos años, el rápido desarrollo económico de China, el aumento de la población urbana, el crecimiento continuo de la propiedad de automóviles privados, la distribución desigual del flujo de tráfico y la congestión local de la red vial han causado congestión del tráfico. La congestión del tráfico se ha convertido en un problema inevitable en el proceso de desarrollo urbano, trayendo peligros y riesgos ocultos para los viajes de los ciudadanos y el desarrollo urbano. La gestión de la congestión del tráfico radica primero en la correcta identificación del estado del tráfico vial y en la necesidad de predecir la congestión vial en la ciudad, para así mejorar la tasa de uso de las instalaciones viales de infraestructura urbana y aliviar mejor la congestión vial. En este estudio, se propone un modelo de red espacial y temporal profunda (DSGCN) para predecir el estado de congestión del tráfico. Primero, nuestro estudio divide la red de tráfico en cuadrículas, donde cada cuadrícula representa una región independiente diferente. En este documento, los centroides de las regiones de cuadrícula se abstraen como nodos, y las correlaciones dinámicas entre los nodos se expresan en forma de matriz de adyacencia. Luego, se utiliza una Red Neuronal Convolucional de Grafos para capturar la correlación espacial entre regiones y se utiliza un modelo de características de corto y largo plazo de dos capas (DSTM) para capturar la correlación temporal entre regiones. Finalmente, el DSGCN supera a otros modelos de referencia y tiene una mayor precisión para la predicción de la congestión del tráfico, como lo demuestran los experimentos en conjuntos de datos reales de PeMS.