La prévision de séries temporelles multivariées joue un rôle fondamental dans de nombreuses applications du monde réel. Ce problème est particulièrement difficile, car il nécessite de prendre en compte simultanément les corrélations temporelles intra-séries et les corrélations inter-séries. Récemment, plusieurs travaux se sont efforcés de capturer ces deux types de corrélations, mais la plupart, sinon toutes, ne modélisent que les corrélations temporelles dans le domaine temporel, en s’appuyant sur des prioris prédéfinis pour représenter les relations inter-séries.Dans cet article, nous proposons Spectral Temporal Graph Neural Network (StemGNN), une nouvelle architecture visant à améliorer davantage la précision de la prévision des séries temporelles multivariées. StemGNN capture les corrélations inter-séries et les dépendances temporelles de manière conjointe dans le domaine spectral. Elle intègre de façon end-to-end la Transformée de Fourier sur graphe (GFT), qui modélise les corrélations inter-séries, et la Transformée de Fourier discrète (DFT), qui modélise les dépendances temporelles. Après passage par la GFT et la DFT, les représentations spectrales présentent des motifs clairs, qui peuvent être efficacement prédits par des modules de convolution et d’apprentissage séquentiel. En outre, StemGNN apprend automatiquement les corrélations inter-séries à partir des données, sans recourir à des prioris prédéfinis. Nous menons des expériences approfondies sur dix jeux de données réels afin de démontrer l’efficacité de StemGNN. Le code est disponible à l’adresse suivante : https://github.com/microsoft/StemGNN/