La prévision de séries temporelles multivariées soulève des défis car les variables sont intriquées dans le temps et l’espace, comme dans le cas des signaux de circulation. Définir des signaux sur des graphes permet de réduire cette complexité en représentant l’évolution des signaux dans l’espace à l’aide de noyaux graphiques pertinents, tels que le noyau de diffusion de chaleur. Toutefois, ce noyau seul ne capture pas pleinement la dynamique réelle des données, puisqu’il ne repose que sur la structure du graphe. Ce manque peut être comblé en combinant la représentation par noyau graphique avec des modèles pilotés par les données, exploitant les données historiques. Ce papier propose un modèle de propagation de la circulation qui intègre plusieurs noyaux de diffusion de chaleur dans un modèle de prédiction piloté par les données afin de prévoir les signaux de circulation. Nous optimisons les paramètres du modèle à l’aide d’une inférence bayésienne afin de minimiser les erreurs de prédiction, et en conséquence déterminons le ratio de combinaison entre les deux approches. Ce ratio de combinaison dépend fortement de la taille des données d’entraînement et des anomalies présentes dans les données, qui correspondent généralement aux heures de pointe pour les données de circulation. Le modèle proposé atteint une précision de prédiction comparable à celle des réseaux de neurones profonds les plus avancés, tout en nécessitant un effort computationnel moindre. Il parvient notamment à des performances remarquables en prédiction à long terme grâce à la préservation du modèle de périodicité inhérent aux modèles pilotés par les données.