La prévision de la circulation routière est essentielle dans les scénarios réels de transports intelligents, tels que la gestion du trafic, la planification de parcours en milieu urbain ou les déplacements personnels. Les réseaux de neurones graphes spatio-temporels (STGNN) constituent actuellement la solution dominante pour cette tâche. Toutefois, la complexité quadratique des STGNN fondés sur une modélisation dynamique spatiale remarquable constitue un goulot d’étranglement lorsqu’ils sont appliqués à de grands ensembles de données de trafic. Du point de vue de la gestion des données spatiales, nous proposons un nouveau cadre Transformer appelé PatchSTG, permettant une modélisation efficace et dynamique des dépendances spatiales pour la prévision à grande échelle du trafic, tout en assurant une interprétabilité et une fidélité élevées. Plus précisément, nous avons conçu un nouveau mécanisme de découpage spatial irrégulier, visant à réduire le nombre de points impliqués dans les calculs dynamiques du Transformer. Ce découpage irrégulier utilise tout d’abord un arbre K-dimensionnel (KDTree) aux feuilles pour partitionner récursivement des points de trafic distribués de manière irrégulière en nœuds feuilles de petite capacité, puis fusionne les nœuds feuilles appartenant au même sous-arbre en patches non superposés et équivalents en occupation, grâce à un remplissage et un retour arrière (backtracking). Sur la base de ces données patchées, l’encodeur utilise de manière itérative les mécanismes d’attention profonde et d’attention large afin d’apprendre dynamiquement, à partir des points situés dans un même patch et des points ayant le même indice de patch, des connaissances spatiales locales et globales. Les résultats expérimentaux sur quatre jeux de données réels à grande échelle de trafic montrent que notre modèle PatchSTG atteint des améliorations allant jusqu’à 10 fois en vitesse d’entraînement et 4 fois en utilisation mémoire, tout en maintenant des performances au niveau de l’état de l’art.