Las redes convolucionales de grafos (GCN) son un método de investigación importante para los sistemas de transporte inteligente (ITS), pero también enfrentan el desafío de cómo describir de manera más efectiva las complejas relaciones espacio-temporales entre objetos de tráfico (nodos). Aunque la mayoría de los modelos predictivos están diseñados basados en estructuras convolucionales de grafos y han logrado resultados efectivos, tienen ciertas limitaciones para describir las relaciones de alto orden entre datos reales. La aparición de hipergrafos rompe esta limitación. En este artículo se propone un modelo de red convolucional de hipergrafos espacio-temporales dinámicos (DSTHGCN). Modelo que modela las características dinámicas de los nodos del grafo de flujo de tráfico y las características de hiperborde de los hipergrafos simultáneamente, logrando una convolución colaborativa entre la convolución de grafos y la convolución de hipergrafos (HGCN). Sobre esta base, se introduce un mecanismo de eliminación de valores atípicos de hiperborde (HOR) durante el proceso de propagación de información de nodo a hiperbordes, eliminando eficazmente los valores atípicos y optimizando la estructura del hipergrafo al tiempo que se reduce la complejidad. A través de un análisis experimental profundo en conjuntos de datos del mundo real, este método tiene un mejor rendimiento en comparación con otros métodos.