El análisis de caracterización espacio-temporal juega un papel clave en tareas de minería de datos espacio-temporales como la inferencia de relaciones sociales, la predicción de flujos de tráfico y la clasificación de nodos de grafo espacio-temporal. Aunque los métodos tradicionales de simulación numérica son efectivos, a menudo tienen dificultades para retratar con precisión las características complejas de los datos espacio-temporales debido a la intrincación de los procesos de modelado y a las limitaciones de las suposiciones subyacentes. Los modelos basados en aprendizaje estadístico y aprendizaje automático, como ARIMA (Modelo de Media Móvil Integrada Autorregresiva) y SVM (Máquina de Vectores de Soporte), son capaces de manejar datos espacio-temporales hasta cierto punto, pero están limitados en su capacidad para caracterizar datos altamente no lineales y pueden fallar en capturar eficazmente las correlaciones espacio-temporales. Para abordar estos desafíos, este documento presenta un nuevo modelo de aprendizaje profundo, la Red Convolucional Espacio-Temporal Guiada por Atención (AG-STCN). En la dimensión espacial, el modelo captura dependencias espaciales a través de una estrategia de poda suave guiada por atención y operaciones de convolución de grafo. En la dimensión temporal, emplea convoluciones causales, unidades lineales con compuertas y un mecanismo de autoatención para capturar dependencias temporales. Los resultados experimentales demuestran que AG-STCN supera significativamente a los métodos de referencia existentes en conjuntos de datos del mundo real para múltiples tareas de análisis de caracterización espacio-temporal.