随着城市交通网络日益复杂，传统交通流预测方法在刻画动态时空关系与建模道路结构方面存在不足。本文提出一种融合自适应邻接矩阵、动态消息传递机制与因果时间卷积的深度学习模型，该模型可有效提取交通数据中的时空特征，提升预测精度。该方法通过可学习节点嵌入生成自适应邻接矩阵，增强对动态交通结构的建模能力；设计改进的消息传递机制，结合单门控结构高效融合节点及邻居的时空信息；引入因果膨胀时间卷积建模长时序依赖。在PEMSBAY与METR-LA两个真实数据集上的实验表明，该模型在短期与长期交通流预测中均优于多种主流方法，消融实验进一步验证了各模块对提取关键时空特征与提升性能的显著贡献。