交通流量预测是机器学习领域中最为热门的时空任务之一。当前该领域的主流方法通常结合图卷积网络（Graph Convolutional Networks）与循环神经网络（Recurrent Neural Networks）进行时空建模，相关研究竞争激烈，不断涌现出诸多创新方法。本文提出一种新型方法——时空图神经粗糙微分方程（Spatio-Temporal Graph Neural Rough Differential Equation, STG-NRDE）。神经粗糙微分方程（Neural Rough Differential Equations, NRDEs）是处理时间序列数据的一项突破性概念，其核心思想是利用对数签名变换（log-signature transform），将原始时间序列样本转化为一组较短的特征向量序列。本文在此基础上进行拓展，设计了两个NRDE模块：一个用于时间维度的建模，另一个用于空间维度的建模。随后，将两者整合为统一的框架。我们在6个基准数据集上进行了实验，并与27种基线方法进行对比。实验结果表明，STG-NRDE在所有测试场景中均取得最优性能，显著优于所有对比方法，性能提升具有非平凡的意义。