Le défi de l'apprentissage efficace des corrélations inter-séries pour la prévision de séries temporelles multivariées reste un problème important et non résolu. Les modèles d'apprentissage profond traditionnels, largement fondés sur le paradigme Transformer pour modéliser des séquences longues, échouent souvent à intégrer de manière cohérente et universellement applicable les informations provenant de plusieurs séries temporelles. Pour combler cet écart, notre article présente ForecastGrapher, un cadre qui repense la prévision de séries temporelles multivariées comme une tâche de régression sur nœuds, offrant ainsi une voie originale pour capturer les dynamiques temporelles complexes et les corrélations inter-séries. Notre approche repose sur trois étapes clés : premièrement, la génération d'embeddings de nœuds personnalisés afin de refléter les variations temporelles au sein de chaque série ; deuxièmement, la construction d'une matrice d'adjacence adaptative pour encoder les corrélations inter-séries ; et troisièmement, l'amélioration de la puissance expressive des réseaux de neurones de type graphe (GNN) par diversification de la distribution des caractéristiques des nœuds. Pour renforcer cette puissance expressive, nous introduisons le GNN à convolution de caractéristiques par groupes (GFC-GNN). Ce modèle utilise un scalaire apprenable pour segmenter les caractéristiques des nœuds en plusieurs groupes, puis applique des convolutions unidimensionnelles avec des longueurs de noyau différentes à chacun de ces groupes avant la phase d'agrégation. Ainsi, la méthode GFC-GNN enrichit de manière entièrement end-to-end la diversité de la distribution des caractéristiques des nœuds. À travers des expériences étendues et des études d'ablation, nous démontrons que ForecastGrapher surpasse significativement les modèles de référence forts ainsi que les techniques publiées les plus avancées dans le domaine de la prévision de séries temporelles multivariées.