La predicción oportuna y precisa del flujo de tráfico es crucial para estabilizar las condiciones de la carretera, reducir la contaminación ambiental y mitigar las pérdidas económicas. Aunque los métodos actuales de convolución de gráficos han logrado ciertos resultados, no aprovechan completamente las verdaderas ventajas de la convolución de gráficos. Todavía hay margen de mejora para abordar simultáneamente la convolución de múltiples gráficos, optimizar gráficos y simular condiciones de la carretera. Basado en esto, este artículo propone MSA-GCN: Redes de Convolución de Gráficos de Agregación Espacio-Temporal Multietapa para la Predicción del Flujo de Tráfico. Este método supera los problemas mencionados anteriormente al dividir el proceso en diferentes etapas y lograr resultados de predicción prometedores. En la primera etapa, construimos una matriz de adyacencia de similitud latente y abordamos las características de interferencia aleatoria en las características de similitud a través de dos optimizaciones utilizando la capa de atención ConvGRU propuesta (módulo CGAL) y el Módulo de Captura de Similitud Causal (módulo CSC), que incluye pruebas de causalidad de Granger. En la segunda etapa, exploramos la correlación potencial entre las carreteras utilizando el Módulo de Completación de Correlación (módulo CC) para crear una matriz de adyacencia de correlación global como complemento para las correlaciones potenciales. En la tercera etapa, utilizamos el autoencoder Auto-LRU propuesto para preentrenar varias características meteorológicas, codificándolas en el proceso de predicción del modelo para mejorar su capacidad de simular el mundo real y mejorar la interpretabilidad. Finalmente, en la cuarta etapa, fusionamos estas características y utilizamos una Unidad Recurrente Bidireccional (BiGRU) para modelar las dependencias temporales, produciendo los resultados de predicción a través de una capa lineal. Nuestro modelo demuestra una mejora de rendimiento del 29,33%, 27,03% y 23,07% en tres conjuntos de datos del mundo real (PEMSD8, LOSLOOP y SZAREA) en comparación con métodos de referencia avanzados, y varios experimentos de ablación validan la efectividad de cada etapa y módulo.