根据基础设施和土地使用信息预测通勤流量对于城市规划和公共政治发展至关重要。然而，由于通勤流的复杂模式，这是一项具有挑战性的任务。传统的模型，如重力模型，主要是从物理学原理中得出的，在现实世界中需要考虑很多因素的情况下，其预测能力有限。同时，现有大多数机器学习的方法忽略了空间相关性，没有对区域间的依赖关系进行建模。为了解决这些问题，我们提出了Geo-contextual Multitask Embedding Learner(GMEL)，一个从地理上下文信息中捕捉空间相关性的模型，用于通勤流量预测。具体来说，我们首先构建了一个包含地理上下文信息的地理适应性网络。然后，提出了一种基于图注意力网络（GAT）框架的注意力机制，以捕捉空间相关性，并将地理环境信息编码到嵌入空间。两种不同的GAT分别用来模拟供给和需求的特征。 为了提高嵌入表示的有效性，多任务学习框架用于引入更强的限制，迫使嵌入向量封装了对于流量预测的有效表示。最后，基于学习到的Embeddings训练梯度提升机来预测换乘流量。我们使用纽约市的真实世界数据集来评估我们的模型，实验结果表明了我们所提出的方法与现有技术的有效性。