La modélisation des corrélations spatiales et temporelles complexes dans les séries temporelles corrélées est indispensable pour comprendre la dynamique du trafic et prédire l’évolution d’un système de trafic en évolution. Les travaux récents se concentrent sur la conception d’architectures complexes de réseaux de neurones graphiques afin de capturer des motifs partagés grâce à des graphes prédéfinis. Dans cet article, nous soutenons qu’apprendre des motifs spécifiques aux nœuds est essentiel pour la prévision du trafic, tandis que l’utilisation d’un graphe prédéfini est inutile. À cette fin, nous proposons deux modules adaptatifs pour renforcer le réseau de convolution graphique (GCN) avec de nouvelles capacités : 1) un module d’apprentissage adaptatif des paramètres aux nœuds (NAPL) permettant de capturer des motifs propres aux nœuds ; 2) un module de génération adaptative du graphe à partir des données (DAGG) permettant d’inférer automatiquement les dépendances inter-séries entre différentes séries de trafic. Nous proposons également un réseau récurrent à convolution graphique adaptatif (AGCRN), capable de capturer automatiquement des corrélations spatiales et temporelles à fine échelle dans les séries de trafic, en s’appuyant sur ces deux modules et sur des réseaux récurrents. Nos expériences sur deux jeux de données réelles de trafic montrent que l’AGCRN surpasser significativement les méthodes de pointe, sans recourir à des graphes prédéfinis pour les connexions spatiales.