Una predicción de tráfico más precisa puede mejorar aún más la eficiencia de los sistemas de transporte inteligente. Sin embargo, los complejos problemas de correlación espacio-temporal en las redes de transporte plantean grandes desafíos. En el pasado, se ha llevado a cabo una gran cantidad de investigaciones para resolver este problema. La mayoría de los estudios se basan en redes neuronales gráficas para modelar los gráficos de tráfico e intentan utilizar estructuras de gráficos fijos para obtener relaciones entre nodos. Sin embargo, debido a la correlación espacial variable en el tiempo de la red de transporte, no existe una relación de nodos estable. Para abordar los problemas anteriores, proponemos un nuevo marco de predicción de tráfico llamado Red Neuronal Espacio-Temporal de Gráfico Dinámico (DGSTN). A diferencia de otros modelos que utilizan gráficos predefinidos, este modelo representa relaciones de nodos estables y relaciones de nodos variables en el tiempo mediante la construcción de mapas de topología estática y mapas de información dinámica durante las etapas de entrenamiento y prueba, para capturar relaciones de nodos ocultas y correlaciones espaciales variables en el tiempo. En cuanto a la arquitectura de la red, diseñamos convoluciones causales a múltiples escalas y mecanismos de autoatención espacial adaptativa para capturar características temporales y espaciales, respectivamente, y facilitar el aprendizaje a través de gráficos estáticos y dinámicos. El marco propuesto ha sido probado en dos conjuntos de datos de tráfico del mundo real y puede lograr un rendimiento de vanguardia.