La predicción del flujo de tráfico es la base de los sistemas de transporte inteligente. La predicción precisa del tráfico es crucial para la gestión del tráfico inteligente y el desarrollo urbano. Sin embargo, lograr una predicción del flujo de tráfico altamente precisa es un desafío debido a las complejas dependencias espaciales y temporales dinámicas de las redes viales. El trabajo previo que utiliza matrices de adyacencia estáticas predefinidas en redes convolucionales de gráficos necesita ser revisado para reflejar las dependencias espaciales dinámicas en el sistema de tráfico. Además, la mayoría de los métodos actuales ignoran las correlaciones espaciales-temporales dinámicas ocultas entre los nodos de la red vial a medida que evolucionan. Proponemos una red de ecuaciones diferenciales de gráficos dinámicos espacio-temporales (ST-DGDE) para la predicción del tráfico para abordar los problemas mencionados anteriormente. Primero, el modelo captura los cambios dinámicos entre los nodos espaciales a lo largo del tiempo a través de una red de aprendizaje de gráficos dinámicos. Luego, se utilizan ecuaciones diferenciales de gráficos dinámicos (DGDE) para aprender las relaciones dinámicas espacio-temporales en el espacio global que cambian continuamente con el tiempo. Finalmente, se construyen matrices de adyacencia estáticas mediante la incrustación de nodos estáticos. Los gráficos dinámicos y estáticos generados se fusionan y se introducen en una red causal temporal con compuertas para capturar conjuntamente los patrones de asociación espacial a largo plazo fijos y lograr un dominio receptor global que facilite la predicción a largo plazo. Los experimentos de nuestro modelo en dos conjuntos de datos de flujo de tráfico natural muestran que ST-DGDE supera a otras líneas base.