El reconocimiento de patrones espacio-temporales de datos de series temporales es fundamental para el desarrollo de sistemas de transporte inteligentes. Los datos de flujo de tráfico son series temporales que muestran patrones de periodicidad y volatilidad. Se propone un modelo novedoso de Red de Convolución de Grafos de Fourier robusto para aprender estos patrones de manera efectiva. El modelo incluye un módulo de Incrustación de Fourier y una capa apilable de ChebyNet Espacio-Temporal. El desarrollo del módulo de Incrustación de Fourier se basa en el análisis de la teoría de series de Fourier y puede capturar características de periodicidad. La capa de ChebyNet Espacio-Temporal está diseñada para modelar las características de volatilidad del flujo de tráfico para mejorar la robustez del sistema. El módulo de Incrustación de Fourier representa una función periódica con una serie de Fourier que puede encontrar los coeficientes óptimos y los parámetros óptimos de frecuencia. La capa de ChebyNet Espacio-Temporal consta de un Módulo de Volatilidad Fina y un Módulo de Volatilidad Temporal. Experimentos en términos de precisión de predicción utilizando dos conjuntos de datos abiertos muestran que el modelo propuesto supera significativamente a los métodos más avanzados.