La predicción precisa del flujo de tráfico es un componente crucial de los sistemas de transporte inteligente, desempeñando un papel fundamental en el aumento de la inteligencia del transporte. La integración de Redes Neuronales Gráficas (GNNs) y Transformadores en la predicción del flujo de tráfico ha ganado una adopción significativa para mejorar la precisión de la predicción. Sin embargo, las complejas dependencias espaciales y temporales presentes en los datos de tráfico siguen planteando desafíos sustanciales: (1) La mayoría de los métodos basados en GNN asumen que la estructura del gráfico refleja las dependencias reales entre los nodos, pasando por alto las dependencias complejas presentes en el contexto del mundo real. (2) Los modelos estándar de series temporales no pueden modelar eficazmente las complejas dependencias temporales, lo que dificulta la precisión de la predicción. Para abordar estos desafíos, los autores proponen una nueva Red de Convolución de Difusión Gráfica Espaciotemporal basada en Transformadores (TSGDC) para la Predicción del Flujo de Tráfico, que aprovecha la difusión gráfica y el transformador para capturar la complejidad y dinámica de los patrones espaciales y temporales, mejorando así el rendimiento de la predicción. Los autores diseñaron una Atención de Canal Eficiente (ECA) que aprende por separado de las dimensiones de características recopiladas por los sensores de tráfico y las dimensiones temporales de los datos de tráfico, ayudando en el modelado espaciotemporal. La Convolución de Difusión Gráfica Chebyshev (GDC) se utiliza para capturar las complejas dependencias dentro de la distribución espacial. Los bloques de descomposición de secuencia, como operaciones internas de los transformadores, se emplean para extraer gradualmente tendencias estables a largo plazo de variables complejas ocultas. Además, al integrar dependencias multiescala, incluidos patrones recientes, diarios y semanales, se logran predicciones precisas del flujo de tráfico. Los resultados experimentales en varios conjuntos de datos públicos muestran que TSGDC supera a los modelos convencionales de predicción de tráfico, especialmente en precisión y robustez.