La previsión del tráfico juega un papel importante en los sistemas de transporte inteligente. Sin embargo, la tarea de predicción es altamente desafiante debido a la mezcla de dependencias espacio-temporales globales y locales involucradas en los datos de tráfico. Las redes neuronales gráficas existentes (GNN) típicamente capturan dependencias espaciales con la estructura de gráfica estática predefinida o aprendible, ignorando los patrones dinámicos ocultos en las redes de tráfico. Mientras tanto, la mayoría de las redes neuronales recurrentes (RNN) o redes neuronales convolucionales (CNN) no pueden capturar efectivamente correlaciones temporales, especialmente para dependencias temporales a largo plazo. En este documento, proponemos una red de convolución de gráficos de atención espacio-temporal (STAGCN), que adquiere un gráfico estático y un gráfico dinámico de los datos sin ningún conocimiento previo. El gráfico estático tiene como objetivo modelar la adaptabilidad espacial global, y el gráfico dinámico está diseñado para capturar dinámicas locales en la red de tráfico. Se introduce además un módulo de atención temporal con compuertas para dependencias temporales a largo plazo, donde se propone un mecanismo de atención causal-tendencia para aumentar la conciencia de causalidad y tendencias locales en series temporales. Experimentos extensos en cuatro conjuntos de datos de flujo de tráfico del mundo real demuestran que STAGCN logra una mejora sobresaliente en la precisión de la predicción sobre las soluciones existentes.