La predicción del tráfico proporciona la orientación fundamental para muchas aplicaciones típicas en la gestión de la ciudad inteligente, como el control del tráfico urbano, la evitación de la congestión y la orientación de la navegación. Muchos investigadores se han centrado en las correlaciones espacio-temporales bajo una estructura de topología fija en la red de tráfico para mejorar la precisión de la predicción del tráfico. A pesar de sus ventajas, los enfoques existentes no se discuten completamente, ya que la relación de asociación entre los nodos de la red de tráfico no es invariable bajo diferentes condiciones de tráfico. En este documento, se propone un nuevo marco de predicción del tráfico mediante la integración de la asociación dinámica de nodos de tráfico con el modelo de aprendizaje profundo espacio-temporal. Para ser específicos, se diseña primero un algoritmo de reformulación de subgráficos adaptativos basado en el intervalo de predicción específico para reducir la interferencia de información espacio-temporal irrelevante. Después, al mejorar el mecanismo de atención con el decodificador generativo, se propone un modelo de aprendizaje profundo espacio-temporal con solo una operación hacia adelante para evitar la degradación de la precisión en la predicción a largo plazo, en el cual la información espacio-temporal y los factores externos (como el clima y los días festivos) se fusionan juntos para ser un vector de entrada. Basándose en el subgrafo reformulado construido de nodos de tráfico con una correlación espacio-temporal más cercana, los experimentos muestran que el marco propuesto supera consistentemente a otras líneas de base de última generación basadas en GNN (Redes Neuronales de Grafos) para varios intervalos de predicción en un conjunto de datos del mundo real.