在相关的时间序列数据中建立复杂的空间和时间相关性的模型，对于理解交通动态和预测一个不断发展的交通系统的未来状态是不可或缺的。最近的工作主要集中在设计复杂的图神经网络架构，借助于预先定义的图来捕捉共享模式。在本文中，我们认为学习节点特定的模式对于交通预测是必不可少的，而预先定义的图是可以避免的。为此，我们提出了两个自适应模块，以增强图形卷积网络（GCN）的新功能。1)节点自适应参数学习(NAPL)模块，用于捕捉节点的特定模式；2)数据自适应图形生成(DAGG)模块，用于自动推断不同流量序列之间的相互依赖关系。我们进一步提出了自适应图卷积循环网络（AGCRN），基于这两个模块和循环网络自动捕捉交通序列中细粒度的空间和时间相关性。我们在两个真实世界的交通数据集上的实验表明，AGCRN在没有预先定义的空间连接图的情况下，以显著的优势优于最先进的技术。