Estimar el Tiempo de Viaje (ETT) es un elemento crucial de los sistemas inteligentes de transporte. En la mayoría de estudios previos, el tiempo de viaje se estima identificando las características espacio-temporales de los segmentos de carretera o intersecciones de forma independiente. Sin embargo, debido a los cambios continuos en los segmentos de carretera e intersecciones en un trayecto, las características dinámicas deben estar acopladas e interactuar. Por lo tanto, emplear solo características de segmentos de carretera o intersecciones es insuficiente para mejorar la precisión del ETT. Para abordar este problema, propusimos un novedoso marco de aprendizaje profundo para ETT basado en una red neuronal gráfica heterogénea espacio-temporal (STHGNN). Específicamente, se creó primero un grafo de tráfico heterogéneo basado en intersecciones y segmentos de carretera, lo que implica una correlación de adyacencia. Luego, se propuso un enfoque de aprendizaje para redes de atención convolucional heterogéneas espacio-temporales para obtener las correlaciones espacio-temporales de las intersecciones y segmentos de carretera conjuntos. Este enfoque integra características temporales y espaciales. Finalmente, se empleó un enfoque de predicción de fusión para estimar el tiempo de viaje de un trayecto dado. Se realizaron experimentos en conjuntos de datos de trayectos del mundo real para evaluar nuestro modelo propuesto. Los resultados mostraron que STHGNN superó significativamente a los modelos base.