La géolocalisation multi-vues dans les zones urbaines est un défi en partie dû au manque de structuration géospatiale dans les jeux de données et les techniques actuelles. Nous proposons d'utiliser des représentations sous forme de graphe pour modéliser des séquences d'observations locales et la connectivité du lieu cible. La modélisation sous forme de graphe permet de générer des séquences inédites en échantillonnant avec de nouvelles configurations de paramètres. Pour exploiter ces nouvelles informations disponibles, nous proposons une architecture basée sur les réseaux de neurones à convolution graphique (GNN), produisant des plongements spatiaux robustes et améliorant la discernabilité par rapport aux plongements d'images isolées.Nous présentons SpaGBOL, introduisant trois contributions originales. 1) Le premier jeu de données structuré en graphe pour la géolocalisation multi-vues, contenant plusieurs images de rue par nœud afin d'améliorer la généralisation. 2) En introduisant les GNNs dans ce problème, nous développons le premier système qui exploite la corrélation entre la proximité des nœuds et la similarité des caractéristiques. 3) En tirant parti des propriétés uniques de la représentation en graphe, nous démontrons une nouvelle approche de filtrage de recherche basée sur les directions du voisinage.SpaGBOL atteint des précisions d'état de l'art sur le graphe de test inédit - avec des améliorations relatives du Top-1 retrieval de 11% par rapport aux techniques précédentes, et 50% lorsque le filtrage est effectué avec l'appariement vectoriel d'orientation (Bearing Vector Matching) sur le jeu de données SpaGBOL.