La precisa previsión de la demanda de viajes urbanos puede ayudar a organizar el flujo de tráfico, mejorar la utilización del tráfico, reducir el tiempo de espera de los pasajeros, etc. Juega un papel importante en los sistemas de transporte inteligente. La mayoría de los métodos de investigación existentes construyen gráficos estáticos desde una sola perspectiva o dos perspectivas, sin considerar el impacto dinámico de los cambios de tiempo y varios factores en la demanda de tráfico. Además, la demanda de viajes también se ve afectada por funciones regionales como el clima, etc. Para abordar estos problemas, proponemos un marco de predicción de la demanda de viajes urbanos basado en la convolución de gráficos acoplados de múltiples vistas dinámicas (DMV-GCN). Específicamente, construimos dinámicamente gráficos de similitud de demanda basados en características de nodos para modelar la correlación dinámica de la demanda. Luego lo combinamos con el gráfico de similitud geográfica predefinido, el gráfico de similitud funcional y el gráfico de similitud de carreteras. Utilizamos una red de convolución de gráficos acoplados y unidades recurrentes con compuertas (GRU), para modelar la correlación espacio-temporal en el tráfico. Realizamos experimentos extensos en dos grandes conjuntos de datos del mundo real. Los resultados verifican el rendimiento superior de nuestro enfoque propuesto para la tarea de previsión de la demanda de viajes urbanos.