给定出发时间和路线，预估行程时间在智能交通系统中发挥着重要的作用。首先，预测的准确性和各路段中的速度密切相关。现有的很多工作采用了时空图神经网络来提高交通预测的准确性，但是大部分的时空信息是分开使用的。这样的模型的缺点是没有充分利用时间和空间的相关性。其次，路线中的上下文信息，即路线中相邻的路段是影响车速的必要原因。先前的工作使用顺序编码模型来解决这个问题，但是很难将顺序模型扩展到大规模实际应用。在本文中，提出了ConSTGAT框架，该框架集成了流量预测和上下文信息以解决这两个问题。具体来说，首先提出一种时空图神经网络，该网络采用一种新颖的图注意力机制，旨在充分利用时空信息的联合关系。然后，为了有效利用上下文信息，该模型在局部窗口上采用卷积操作以捕获路线的上下文信息，并进一步采用多任务学习来提高性能。以此方式，可以并行并预先计算每个路段的行驶时间。最后在真实世界数据集上进行的大量实验证明了ConSTGAT的优越性。此外，ConSTGAT已经在百度地图上进行了部署，它每天成功地满足数百亿个请求。这证实了ConSTGAT是针对大型现实世界TTE服务的实用且强大的解决方案。