La prévision spatio-temporelle a suscité un intérêt considérable dans un large éventail d’applications, et la prévision de la circulation routière en constitue un exemple classique et représentatif. Les corrélations spatio-temporelles complexes et à longue portée caractérisant la circulation routière posent un défi particulièrement difficile à relever. Les travaux existants utilisent généralement des réseaux de convolution de graphe (GNN) à faible profondeur et des modules d’extraction temporelle pour modéliser respectivement les dépendances spatiales et temporelles. Toutefois, la capacité de représentation de ces modèles reste limitée pour deux raisons principales : (1) les GNN à faible profondeur ne parviennent pas à capturer efficacement les corrélations spatiales à longue portée, et (2) seules les connexions spatiales sont prises en compte, tandis que de nombreuses connexions sémantiques sont ignorées, bien que celles-ci soient essentielles à une compréhension globale des réseaux de circulation. À cet effet, nous proposons un modèle appelé STGODE (Spatial-Temporal Graph Ordinary Differential Equation Networks). Plus précisément, nous capturons la dynamique spatio-temporelle à l’aide d’une équation différentielle ordinaire (ODE) basée sur des tenseurs, ce qui permet de construire des réseaux plus profonds et d’utiliser de manière synchrone les caractéristiques spatio-temporelles. Pour une compréhension plus complète du réseau, notre modèle intègre une matrice d’adjacence sémantique, et utilise une structure de convolution dilatée temporelle soigneusement conçue afin de capter les dépendances temporelles à long terme. Nous évaluons notre modèle sur plusieurs jeux de données réelles de circulation et obtenons des performances supérieures aux méthodes de pointe actuelles.