La prédiction précise de la circulation est essentielle pour des applications telles que la logistique des transports, mais demeure un défi en raison des corrélations spatio-temporelles complexes et des motifs de trafic non linéaires. Les méthodes existantes modélisent souvent les dépendances spatiales et temporelles de manière séparée, ce qui limite leur capacité à les fusionner efficacement. Pour surmonter cette limitation, nous proposons le modèle DST2former, un Transformer dynamique spatio-temporel, conçu pour capturer les corrélations spatio-temporelles grâce à un embedding adaptatif et pour fusionner des informations dynamiques et statiques afin d’apprendre des caractéristiques dynamiques multi-vues des réseaux de trafic. Notre approche repose sur le Transformer de Représentation de Tendance Dynamique (DTRformer), qui génère des tendances dynamiques à l’aide d’encodeurs pour les dimensions temporelles et spatiales, fusionnées via une attention croisée spatio-temporelle. Les graphes prédéfinis sont compressés en un graphe de représentation permettant d’extraire les attributs statiques et de réduire la redondance. Des expérimentations menées sur quatre jeux de données réelles de trafic démontrent que notre cadre atteint des performances de pointe.