交通流的时空预测是一项具有挑战性的任务，其难点在于不同道路之间存在复杂的时空依赖关系以及动态变化的时间模式。现有的方法通常依赖于预定义的空间邻接图，并采用复杂的机制来建模空间与时间相关性。然而，预设的空间图结构往往存在邻接连接不完整的问题，导致模型难以有效学习时空依赖关系。为克服上述局限，本文提出了一种新型的时空融合图神经网络（Spatial-Temporal Fusion Graph Neural Networks, STFGNN），用于交通流预测。STFGNN通过一种基于数据驱动方法生成的多种空间与时间图的新型融合操作，能够有效捕捉隐含的时空依赖关系。同时，通过将该融合图模块与一种新型门控卷积模块整合至统一网络层中，STFGNN具备处理长序列数据的能力。在多个公开交通数据集上的实验结果表明，所提出方法在各项指标上均显著优于现有基准模型，持续实现了当前最优的预测性能。