本发明公开了一种结合图傅里叶变换TMGCN交通流预测模型的提取方法，步骤为：S1：采集数据形成数据集；S2：计算交通流量Pearson相关系数矩阵，构建并求解图拉普拉斯矩阵L的凸优化模型，再将随时间变化的交通流信号映射到频域空间，得到交通流空间依赖的时域隐变量；S3：输入图卷积神经网络GCN，得到交通流空间依赖的频域隐变量，并映射回时域空间；S4：提取数据集中的交通流量时间序列的时间依赖隐变量；S5：横向拼接整合交通流空间依赖的时域隐变量和时间依赖隐变量，S6：融合空间与时间隐变量，输出预测变量。该提取方法能提高长时间交通流预测精度，且及时精准的交通流预测能提前预知城市路网的演化趋势。