La prévision du trafic constitue l'une des tâches spatio-temporelles les plus courantes dans le domaine de l'apprentissage automatique. Une approche largement répandue consiste à combiner des réseaux de convolution sur graphe (GCN) et des réseaux de neurones récurrents (RNN) afin de traiter efficacement les données spatio-temporelles. Ce domaine connaît une concurrence intense, avec la proposition continue de méthodes novatrices. Dans cet article, nous présentons une nouvelle méthode, nommée équation différentielle contrôlée par réseau de neurones spatio-temporel (STG-NCDE). Les équations différentielles contrôlées par réseau de neurones (NCDE) représentent une avancée majeure dans le traitement des séquences de données. Nous étendons cette notion en concevant deux NCDE : l'une dédiée au traitement temporel, l'autre au traitement spatial. Ces deux composantes sont ensuite intégrées dans un cadre unifié. Nous menons des expériences sur six jeux de données standard et comparons notre méthode à vingt baselines. Les résultats montrent que STG-NCDE atteint la meilleure précision dans tous les cas, surpassant significativement les vingt méthodes de référence.