La predicción del flujo de tráfico es esencial para el sistema de transporte inteligente (ITS). Sin embargo, debido a la compleja dependencia espacio-temporal de los datos de flujo de tráfico, es insuficiente en la extracción de correlaciones espacio-temporales locales y globales para el proceso previo en la red vial y modelado del flujo de tráfico. Este documento propone una red neuronal gráfica espacial-temporal basada en atención y wavelet para la predicción de flujo de tráfico y velocidad (STAGWNN). Integró atención y redes neuronales de wavelet de gráficos para capturar información espacial local y global. Mientras tanto, apilamos una red convolucional temporal con compuertas (gated TCN) con un mecanismo de atención temporal para extraer la información de series temporales. El experimento se realizó en conjuntos de datos reales de transporte público: PEMS-BAY y PEMSD7(M). Los resultados de comparación mostraron que nuestro modelo propuesto superó a las redes de referencia en estos conjuntos de datos, lo que indicó que STAGWNN podría capturar mejor la información de correlación espacio-temporal.