En los últimos años, la predicción del tráfico se ha convertido gradualmente en un componente central de las ciudades inteligentes. Debido a la compleja correlación espacio-temporal de los datos de tráfico, la predicción del flujo de tráfico es muy desafiante. Los estudios existentes se centran principalmente en la modelización gráfica de estructuras viales fijas. Sin embargo, esta estructura gráfica fija no puede capturar con precisión la relación entre diferentes carreteras, lo que afecta la precisión de la predicción del flujo de tráfico a largo plazo. Para abordar este problema, este documento propone un marco de modelado STN-GCN para redes neuronales convolucionales gráficas normalizadas espacio-temporales. En cuanto a la dependencia temporal, se utilizó una normalización espacio-temporal para dividir los datos en partes de alta y baja frecuencia, lo que permite al modelo extraer características más distintivas. Además, se utilizó una entrada de datos finos a la red convolucional temporal (TCN) en este módulo para realizar una extracción de características temporales más detallada para garantizar la precisión de la extracción de secuencias a largo plazo. Además, se añadió un módulo transformador al modelo, que capturó el estado en tiempo real del flujo de tráfico extrayendo dependencias espaciales y estableciendo correlaciones espaciales dinámicamente a través de un mecanismo de autoatención. Durante el proceso de entrenamiento, se adoptó un método de aprendizaje curricular (CL), que proporcionó secuencias objetivo optimizadas. Aprender a partir de objetivos más fáciles puede ayudar a evitar quedar atrapado en mínimos locales y proporcionar un mejor rendimiento de generalización para aproximar más precisamente mínimos globales. Según los resultados experimentales, el modelo tuvo un buen rendimiento en dos conjuntos de datos de transporte público del mundo real, METR-LA y PEMS-BAY.