精准的交通流预测对于交通物流等应用至关重要，但由于交通数据中存在复杂的时空相关性以及非线性动态特征，该任务仍面临巨大挑战。现有方法通常将空间与时间依赖关系分别建模，难以有效融合二者信息。为克服这一局限，本文提出一种名为动态时空趋势Transformer（DST2former）的新模型，通过自适应嵌入机制捕捉交通流的时空相关性，并融合动态与静态信息，以学习交通网络的多视角动态特征。该方法采用动态趋势表示Transformer（DTRformer），分别对时间与空间维度的编码器进行建模，利用跨时空注意力机制实现动态趋势的融合。同时，通过将预定义图结构压缩为表示图，有效提取静态属性并降低冗余。在四个真实世界交通数据集上的实验结果表明，所提出的框架在预测性能上达到了当前最优水平。