L'apprentissage des représentations de graphes est une tâche fondamentale visant à capturer diverses propriétés des graphes dans l'espace vectoriel. Les méthodes les plus récentes apprennent de telles représentations pour des réseaux statiques. Cependant, les réseaux du monde réel évoluent au fil du temps et présentent des dynamiques variables. Capturer cette évolution est essentiel pour prédire les propriétés des réseaux non observés. Pour comprendre comment les dynamiques du réseau influencent la performance de la prédiction, nous proposons une approche d'embedding qui apprend la structure de l'évolution dans les graphes dynamiques et peut prédire des liens non observés avec une précision supérieure. Notre modèle, dyngraph2vec, apprend les transitions temporelles dans le réseau en utilisant une architecture profonde composée de couches denses et récurrentes. Nous justifions la nécessité de capturer les dynamiques pour la prédiction sur un ensemble de données jouet créé à l'aide de modèles de blocs stochastiques (stochastic block models). Nous démontrons ensuite l'efficacité de dyngraph2vec par rapport aux méthodes existantes les plus avancées sur deux ensembles de données du monde réel. Nous constatons que l'apprentissage des dynamiques peut améliorer la qualité de l'embedding et conduire à de meilleures performances en prédiction de liens.