La predicción del flujo de tráfico es un desafío para nosotros al analizar dependencias espacio-temporales intrincadas y obtener información incompleta de la conexión espacio-temporal. Los marcos existentes principalmente construyen modelos espaciales y temporales basados en una estructura de gráficos fijos y series temporales dadas. Sin embargo, una matriz de adyacencia fija está limitada para aprender correlaciones espacio-temporales efectivas de la red porque representa información incompleta para una relación genuina faltante. Para resolver la dificultad, diseñamos una red de gráficos de fusión espacial-temporal adaptativa (STFAGN) para la predicción del tráfico. Primero, nuestro modelo combina capas de convolución de fusión con una nueva matriz de dependencia adaptativa mediante entrenamiento de extremo a extremo para capturar la dependencia espacial-temporal oculta en los datos y completar la información incompleta. En segundo lugar, STFAGN podría, en paralelo, adquirir dependencias espaciales-temporales ocultas mediante una operación de fusión y tendencia temporal mediante fast-DTW. Mientras tanto, utilizamos la conexión ReZero como un simple cambio de redes residuales profundas para facilitar la propagación de señales profundas y una convergencia más rápida. Por último, realizamos experimentos comparativos en dos conjuntos de datos de redes de tráfico públicas, cuyos resultados demuestran la superioridad de nuestro algoritmo en comparación con los tipos de referencia de vanguardia. Los experimentos de ablación también prueban la racionalidad del marco de STFAGN.