Los sistemas de transporte inteligente necesitan realizar una predicción precisa de la congestión del tráfico. Las características espacio-temporales del flujo de tráfico son esenciales para analizar y predecir la congestión. Nuestro estudio propone un modelo basado en datos para predecir el flujo de tráfico congestionado. En primer lugar, se utiliza el método de zona/cuadrícula de tráfico para almacenar la velocidad promedio de los vehículos en las áreas locales de carreteras. En segundo lugar, se propone el conjunto de instantáneas discretas para caracterizar las características espaciales y temporales del flujo de tráfico durante un período continuo. En tercer lugar, se examina la evolución del flujo de tráfico congestionado en diversas dimensiones temporales (días de la semana, días de fin de semana y una semana) transformando la red urbana de transporte global en zonas de tráfico. Finalmente, se construye un modelo basado en datos para predecir la congestión del tráfico urbano utilizando las características espacio-temporales extraídas del flujo de tráfico de las zonas de tráfico, cuyo conjunto de instantáneas sirve como entradas para este modelo. El modelo adopta la red LSTM convolucional para aprender las características temporales y espaciales locales del flujo de tráfico, mientras utiliza una red neuronal convolucional para capturar de manera efectiva las características espaciales globales inherentes al flujo de tráfico. Se realizan experimentos numéricos en las redes de transporte de dos ciudades, y los resultados demuestran que el rendimiento del modelo propuesto supera a los modelos tradicionales de predicción del flujo de tráfico.