La prévision spatiotemporelle trouve diverses applications dans les domaines des neurosciences, du climat et des transports. La prévision de la circulation routière est un exemple canonique d'une telle tâche d'apprentissage. Cette tâche est complexe en raison de (1) des dépendances spatiales complexes sur les réseaux routiers, (2) des dynamiques temporelles non linéaires avec des conditions routières changeantes et (3) de la difficulté inhérente à la prévision à long terme. Pour relever ces défis, nous proposons de modéliser le flux de trafic comme un processus de diffusion sur un graphe orienté et introduisons le réseau neuronal récurrent à convolution de diffusion (DCRNN), un cadre d'apprentissage profond pour la prévision du trafic qui intègre à la fois les dépendances spatiales et temporelles dans le flux de trafic. Plus précisément, le DCRNN capture les dépendances spatiales en utilisant des marches aléatoires bidirectionnelles sur le graphe, et les dépendances temporelles en utilisant une architecture encodeur-décodeur avec échantillonnage programmé. Nous évaluons ce cadre sur deux jeux de données réels et à grande échelle concernant le trafic sur les réseaux routiers et observons une amélioration constante de 12 % à 15 % par rapport aux méthodes de référence les plus avancées.