La prévision des données spatio-temporelles du flux de trafic constitue une tâche difficile en raison des dépendances spatiales complexes et des évolutions dynamiques des motifs temporels entre différentes routes. Les cadres existants exploitent généralement un graphe d’adjacence spatial donné et des mécanismes sophistiqués pour modéliser les corrélations spatiales et temporelles. Toutefois, les représentations limitées du graphe spatial donné, souvent caractérisées par des connexions d’adjacence incomplètes, peuvent entraver l’apprentissage efficace des dépendances spatio-temporelles. Pour surmonter ces limitations, notre article propose un modèle nommé Réseaux de neurones graphiques à fusion spatio-temporelle (STFGNN) pour la prévision du flux de trafic. STFGNN permet d’apprendre efficacement les dépendances spatio-temporelles cachées grâce à une nouvelle opération de fusion de divers graphes spatiaux et temporels, générés par une méthode pilotée par les données. Par ailleurs, en intégrant ce module de graphe fusionné avec un nouveau module de convolution à porte dans une même couche, STFGNN est capable de traiter des séquences longues. Les résultats expérimentaux sur plusieurs jeux de données publics de trafic démontrent que notre méthode atteint de manière cohérente des performances de pointe par rapport aux autres méthodes de référence.