La prédiction spatio-temporelle joue un rôle important dans de nombreux domaines d'application, en particulier dans le domaine des transports. Cependant, en raison des dépendances spatio-temporelles complexes et des dynamiques hautement non linéaires dans les réseaux routiers, la tâche de prédiction du trafic reste un défi. Les travaux existants présentent soit un coût de formation élevé, soit une incapacité à capturer précisément les modèles spatio-temporels, et ignorent souvent la corrélation entre les routes éloignées qui partagent des modèles similaires. Dans cet article, nous proposons un nouveau cadre d'apprentissage profond pour surmonter ces problèmes : les Réseaux de Convolution Graphique Temporelle 3D (3D-TGCN). Deux nouveaux composants de notre modèle sont introduits. (1) Au lieu de construire le graphe routier basé sur l'information spatiale, nous l'apprenons en comparant la similarité entre les séries temporelles de chaque route, offrant ainsi un cadre indépendant de l'information spatiale. (2) Nous proposons un modèle original de convolution graphique 3D pour modéliser les données spatio-temporelles avec plus de précision. Les résultats empiriques montrent que le 3D-TGCN peut surpasser les méthodes de référence actuelles.