针对现有交通流预测中时空特征获取的连续性与同步性问题，提出了一种基于神经常微分方程的自适应图(AGNODE)时空同步交通流预测模型；基于历史交通流量数据的语义和距离相关性构建了双路先验邻接矩阵，利用动态滤波和节点嵌入设计了权重可自动调整的自适应邻接矩阵；结合先验和自适应邻接矩阵，利用线性加权融合建立了静动态图融合层，通过虚拟连接层内顶点特征构建了包含时间和空间2个维度的自适应时空同步结构图；引入神经常微分方程(NODE)求解图卷积网络(GCN)形成了图卷积神经常微分方程(GCNODE),利用求解步长时间对齐和GCNODE双层堆叠构建了AGNODE模型；利用加州高速公路公开交通数据集(PeMS04和PeMS08),结合平均绝对误差(MAE)、均方根误差(RMSE)以及训练和推理时间等指标，测试验证了AGNODE模型。分析结果表明：相比最优基线模型STGODE,AGNODE的单步预测(5 min)在PeMS04上MAE和RMSE分别降低了3.6%和2.8%,在PeMS08上MAE和RMSE分别降低了2.2%和1.7%;AGNODE的多步预测(15、30、60 min)在PeMS04上MAE和RMSE分别平均降低了3.0%和2.4%,在PeMS08上MAE和RMSE分别平均降低了3.6%和1.2%;随着模型网络层数增大，AGNODE的MAE和RMSE分别降低了5.3%和2.6%,STGODE的MAE和RMSE分别降低了0.7%和0.6%;AGNODE的训练和推理时间相比ASTGCN,在PeMS04和PeMS08上分别减少了11.4%和7.5%,相比STGODE以增加不超过7.7%的时间成本得到更好预测精度。可见，AGNODE模型具有较强的时空建模和参数适应能力，可以准确预测短时交通流量，能够为交通参与者提供可靠的流量信息与决策依据。