微服务的多实例化部署和微服务间存在的依赖关系，使得准确捕捉微服务调用拓扑与微服务时延之间的关联性十分困难。针对该问题，提出了一种基于门控时空卷积网络(gated attention spatio-temporal graph convolutional network, GaSTGCN)的时延预测模型。通过构建微服务拓扑调用实例的图数据序列，采用多层时空卷积图神经网络模型，在考虑微服务调用拓扑的同时，捕捉微服务节点时间和空间上特征的关联性；考虑微服务应用规模日渐庞大、时空关联性更难捕捉的现状，结合门控卷积模型，采用膨胀卷积技术与自适应门控机制，更精确地获取局部与全局微服务依赖特征。实验表明，所提模型具有较好的收敛性能，并且预测精度优于传统的预测算法。