La predicción precisa del tráfico es crucial para optimizar la demanda de taxis, gestionar el flujo de tráfico y planificar rutas de transporte público. Los modelos tradicionales a menudo no logran capturar las complejas dependencias espacio-temporales. Para abordar esto, presentamos el Transformador de Fusión de Incrustaciones Espacio-Temporales (STEFT). Este modelo de aprendizaje profundo aprovecha mecanismos de atención y fusión de características para modelar de manera efectiva las dependencias dinámicas en los datos de tráfico. STEFT incluye una Red de Fusión de Incrustaciones que integra incrustaciones espaciales, temporales y de flujo, preservando la información de flujo original. El Bloque de Flujo utiliza un codificador Transformer mejorado para capturar dependencias periódicas dentro de las regiones vecinas, mientras que el Bloque de Predicción pronostica la dinámica de entrada y salida utilizando una red completamente conectada. Experimentos en los conjuntos de datos de Taxis y Bicicletas de Nueva York (NYC) muestran el rendimiento superior de STEFT sobre los métodos base en métricas de RMSE y MAPE, destacando la efectividad del enfoque de fusión de características basado en la concatenación. Estudios de abstracción confirman la contribución de cada componente, subrayando el potencial de STEFT para la predicción de tráfico del mundo real y otros desafíos espacio-temporales.