Este estudio aborda los desafíos complejos asociados con la predicción del flujo de tráfico en carreteras y la gestión de la congestión a través de la mejora del algoritmo de red convolucional espacio-temporal basado en la atención (ASTGCN). Aprovechando los datos de peajes e información en tiempo real sobre el flujo de tráfico del condado de Orange, California, el algoritmo se somete a un refinamiento para capturar hábilmente los cambios abruptos en la dinámica del tráfico en carretera e identificar casos de congestión aguda. La optimización de la estructura del grafo se aborda desde perspectivas macro y micro, incorporando factores clave como la información de peajes, la conectividad de nodos y las distancias espaciales. Se introduce un módulo de autoaprendizaje de grafo novedoso para facilitar ajustes en tiempo real, mientras que un mecanismo de atención se integra de manera fluida en el módulo de convolución de grafo espacio-temporal. El modelo resultante, denominado AASTGNet, muestra una precisión predictiva superior en comparación con metodologías existentes, con valores de MAE, RMSE y MAPE de 8.6204, 14.0779 y 0.2402, respectivamente. Este estudio enfatiza la importancia de incorporar esquemas de peaje en la predicción del flujo de tráfico en carreteras, aborda las limitaciones de la estructura de grafo estática y se adapta dinámicamente a variaciones temporales y eventos inesperados en carreteras. Los hallazgos contribuyen al avance del campo de la predicción del tráfico y la gestión de la congestión, proporcionando ideas valiosas para investigaciones futuras y aplicaciones prácticas.