交通流预测对于城市交通系统的有效管理和运行至关重要。交通网络中不同路段或路口的流量不仅会随时间动态变化，空间邻近路段或路口的流量也会相互影响。为了更好地从交通流序列中学习不同路段或路口流量的时空相关性，提升交通流短时预测性能，提出基于多头注意力动态图卷积网络（Dynamic Graph Convolution Network with Multi-head Attention，DGCNMA）的交通流预测方法。DGCNMA 模型首先在Transformer 框架中引入图卷积网络学习交通流序列的空间嵌入并融入交通流序列，进而采用多头注意力机制从多个角度同时捕捉交通流序列的时间相关性和空间相关性；其次设计交叉动态图卷积网络，通过卷积网络和动态图卷积网络交叉学习以及交通流奇偶子序列特征交叉融合，同时学习交通流序列的局部时空相关性和全局时空相关性；最后通过在高速公路交通流数据集（PEMS03、PEMS04、PEMS08）和地铁人群流量数据集（HZME inflow and HZME outflow）上的大量实验，验证了本文所提DGCNMA 模型的交通流预测性能优于基线模型。