La predicción precisa y oportuna del tráfico es una tarea importante para la realización del tráfico urbano inteligente. La ocurrencia aleatoria de eventos sociales como accidentes de tráfico dificultará la predicción del tráfico. Al mismo tiempo, la mayoría de los métodos de predicción existentes dependen de conocimientos previos para obtener mapas de tráfico y la estructura del mapa obtenido no puede garantizarse que sea precisa para la tarea de aprendizaje actual. Además, los datos de tráfico son altamente no lineales y dependientes a largo plazo, por lo que es más difícil lograr una predicción precisa. Frente a los problemas anteriores, este artículo propone una nueva arquitectura unificada integrada para la predicción del tráfico basada en una red de atención de gráficos heterogéneos combinada con una red convolucional de series temporales residuales, llamada HGA-ResTCN. En primer lugar, se utiliza la atención de gráficos heterogéneos para capturar los cambios en la relación entre los nodos del gráfico de tráfico causados por eventos sociales, para aprender los pesos de enlace entre el nodo objetivo y sus nodos vecinos; al mismo tiempo, al introducir el tiempo de enlaces residuales de la red convolucional para capturar la dependencia a largo plazo de los datos de tráfico complejos. Estos dos modelos se integran en un marco unificado para aprender de manera integral. A través de pruebas en conjuntos de datos del mundo real, los resultados muestran que la precisión del modelo en este artículo es mejor que otras líneas base propuestas.