La predicción del flujo de tráfico es una parte importante del sistema de transporte inteligente. Una predicción precisa del flujo de tráfico es de gran importancia para fortalecer la gestión urbana y facilitar los viajes de las personas. En este documento, proponemos un modelo llamado LST-GCN para mejorar la precisión de las predicciones actuales del flujo de tráfico. Simulamos las correlaciones espacio-temporales presentes en la predicción del flujo de tráfico optimizando los parámetros de GCN (redes convolucionales de grafos) utilizando una red LSTM (memoria a corto y largo plazo). Específicamente, capturamos las correlaciones espaciales aprendiendo la topología a través de las redes GCN y las correlaciones temporales incrustando las redes LSTM en el proceso de entrenamiento de las redes GCN. Este método mejora el método tradicional de combinar la red neuronal recurrente y la red neuronal de grafos en la predicción original del flujo de tráfico espacio-temporal, por lo que puede capturar mejor las características espacio-temporales existentes en el flujo de tráfico. Experimentos extensos realizados en el conjunto de datos PEMS ilustran la efectividad y el rendimiento superior de nuestro método en comparación con otros métodos de última generación.