La modélisation des séries temporelles multivariées a longtemps été un sujet qui a attiré les chercheurs de divers domaines, notamment l'économie, la finance et la circulation routière. Une hypothèse de base derrière la prévision des séries temporelles multivariées est que ses variables dépendent les unes des autres ; cependant, à y regarder de plus près, on peut dire que les méthodes existantes échouent à pleinement exploiter les dépendances spatiales latentes entre les paires de variables. Ces dernières années, en revanche, les réseaux neuronaux graphiques (GNNs) ont montré une grande capacité à gérer les dépendances relationnelles. Les GNNs nécessitent des structures graphiques bien définies pour la propagation de l'information, ce qui signifie qu'ils ne peuvent pas être appliqués directement aux séries temporelles multivariées où les dépendances ne sont pas connues à l'avance. Dans cet article, nous proposons un cadre général de réseau neuronal graphique conçu spécifiquement pour les données de séries temporelles multivariées. Notre approche extrait automatiquement les relations unidirectionnelles entre les variables grâce à un module d'apprentissage graphique, dans lequel des connaissances externes telles que les attributs des variables peuvent être facilement intégrées. Nous proposons également une nouvelle couche de propagation mixte et une couche d'inception dilatée pour capturer les dépendances spatiales et temporelles au sein des séries temporelles. Les modules d'apprentissage graphique, de convolution graphique et de convolution temporelle sont appris conjointement dans un cadre bout-à-bout. Les résultats expérimentaux montrent que notre modèle proposé surpasse les méthodes baselines de pointe sur 3 des 4 jeux de données de référence et atteint des performances comparables à celles d'autres approches sur deux jeux de données relatifs à la circulation routière qui fournissent des informations structurelles supplémentaires.