El pronóstico del flujo de tráfico, como uno de los componentes importantes de los sistemas de transporte inteligente (ITS), desempeña un papel indispensable en una amplia gama de aplicaciones como la gestión del tráfico y la planificación urbana. Sin embargo, existen complejas dependencias espaciales y cambios dinámicos en los patrones temporales entre diferentes rutas, y obtener tantas características y dependencias espacio-temporales como sea posible a partir de datos de nodos ha sido una tarea desafiante en la predicción del flujo de tráfico. Los enfoques actuales suelen utilizar módulos independientes para tratar las correlaciones temporales y espaciales por separado sin capturar de forma sincrónica tales correlaciones espacio-temporales, o se centran solo en dependencias espacio-temporales locales, ignorando así la periodicidad espacio-temporal a largo plazo implícita. Con esto en mente, este documento propone una red de fusión convolucional espacial-temporal a largo plazo (LSTFGCN) para la modelización de la predicción del flujo de tráfico. En primer lugar, diseñamos un módulo de captura de características espaciales-temporales sincrónico, que puede extraer de manera fructífera la compleja dependencia espacio-temporal local de los nodos. En segundo lugar, diseñamos una convolución de grafo de ecuación diferencial ordinaria (ODEGCN) para capturar más dependencia espacio-temporal a largo plazo utilizando la convolución de grafo espacio-temporal de ecuación diferencial ordinaria. Al mismo tiempo, integrando en paralelo el ODEGCN, el módulo de atención de convolución de grafo espacio-temporal (GCAM) y el módulo de convolución con compuertas, podemos hacer que el modelo aprenda de manera efectiva más dependencias espacio-temporales a corto y largo plazo en el procesamiento de secuencias espacio-temporales. Nuestros resultados experimentales en múltiples conjuntos de datos públicos de tráfico muestran que nuestro método obtuvo consistentemente el rendimiento óptimo en comparación con las otras líneas de base.