La construction de réseaux spatio-temporels à l’aide de réseaux de convolution de graphes (GCN) est devenue l’une des méthodes les plus populaires pour la prédiction des signaux de circulation. Toutefois, lorsqu’un GCN est utilisé pour prédire la vitesse du trafic, l’approche classique suppose généralement que la relation entre les capteurs forme un graphe homogène, et apprend une matrice d’adjacence à partir des données accumulées par ces capteurs. En réalité, la corrélation spatiale entre les capteurs n’est pas uniforme, mais varie selon les perspectives d’analyse. Dans cette optique, nous visons à étudier les caractéristiques hétérogènes inhérentes aux données de signaux de trafic afin d’apprendre les relations cachées entre capteurs de manière diversifiée. Plus précisément, nous avons conçu une méthode permettant de construire un graphe hétérogène pour chaque module en divisant la relation spatiale entre capteurs en deux composantes : statique et dynamique. Nous proposons une méthode de réseau de convolution de graphe sensible à l’hétérogénéité basée sur une attention décentralisée (HAGCN), qui agrège les états cachés des nœuds voisins en tenant compte de l’importance de chaque canal dans un graphe hétérogène. Les résultats expérimentaux sur des jeux de données réels de trafic confirment l’efficacité de la méthode proposée, qui améliore de 6,35 % les performances du modèle existant et atteint un niveau d’état de l’art en prédiction.