Los modelos de redes neuronales basados en GNN a menudo logran buenos resultados en tareas de predicción de flujos de tráfico en redes de tráfico. Sin embargo, la mayoría de los métodos existentes basados en GNN aplican una estructura de grafo fija para capturar dependencias espaciales entre nodos, y las estructuras de grafo fijo pueden no ser capaces de reflejar los cambios espaciotemporales en las dependencias de los nodos. Para abordar esto, al introducir un mecanismo de autoatención aplicado a una matriz de adyacencia adaptativa, se mejora la arquitectura de la red neuronal basada en Graph WaveNet, y se propone un nuevo enfoque llamado red de ondas dinámicas de grafo con autoatención (SA-DGWN), que puede ajustarse a las dependencias espaciotemporales de la red de carreteras. En un experimento, se extrajeron datos de flujo de tráfico basados en RFID de ciertas carreteras en Nanjing, China. Los resultados muestran que bajo la misma configuración, en comparación con Graph WaveNet, el MAE, MAPE y RMSE del método propuesto se redujeron en un 3,08%, 3,68% y 2,6%, respectivamente. Además, para los datos de entrenamiento, exploramos el impacto de la característica temporal y los períodos de muestreo en el efecto de entrenamiento. Los resultados adicionales indican que agregar información de hora-minuto-segundo a la entrada mejoró la precisión del modelo, reduciendo el MAE, MAPE y RMSE en un 15,28%, 12,28% y 14,01%, respectivamente. La adición de características del día de la semana también trajo mejoras sustanciales en el rendimiento. Para diferentes períodos de muestreo, el modelo tuvo un mejor rendimiento en general con un período de muestreo de 10 minutos en comparación con los períodos de 5 minutos y 15 minutos. Para tareas de predicción de un solo paso, cuanto más largo sea el período de muestreo, mejor será el efecto de predicción.