La prévision du trafic, en tant que tâche classique de la prévision de séries temporelles multivariées, constitue un sujet de recherche majeur au sein de la communauté de l’intelligence artificielle. Afin de répondre à l’hétérogénéité spatio-temporelle et à la non-stationnarité inhérentes aux flux de trafic, cette étude propose une nouvelle méthode d’apprentissage de structure de graphe, nommée Apprentissage Métagraphique Spatio-Temporel, dédiée aux données spatio-temporelles. Plus précisément, nous intégrons cette approche dans un réseau de convolution récurrente à graphe métagraphique (MegaCRN) en insérant un apprenant de métagraphes piloté par une banque de nœuds métagraphes dans l’encodeur-décodeur basé sur GCRN. Une évaluation exhaustive est menée sur deux jeux de données de référence (METR-LA et PEMS-BAY) ainsi qu’un nouveau jeu de données à grande échelle de vitesses de trafic, EXPY-TKY, couvrant 1 843 tronçons autoroutiers à Tokyo. Notre modèle surpasse les méthodes de pointe sur les trois jeux de données. Par ailleurs, grâce à une série d’évaluations qualitatives, nous démontrons que notre modèle parvient à décomposer explicitement les tronçons routiers et les intervalles temporels présentant des comportements distincts, tout en s’adaptant robustement à toute situation anormale de trafic. Les codes et les jeux de données sont disponibles à l’adresse suivante : https://github.com/deepkashiwa20/MegaCRN.