Nos vies quotidiennes sont profondément affectées par les conditions de circulation, ce qui rend essentielle une prédiction précise du flux de trafic au sein d’un réseau routier. Les signaux utilisés pour la prévision du trafic proviennent généralement de capteurs installés le long des routes, pouvant être représentés comme des nœuds dans un graphe. Ces capteurs produisent habituellement des signaux normaux, correspondant à des flux de trafic réguliers, ainsi que des signaux anormaux, indiquant des perturbations de circulation inconnues. Les réseaux de convolution de graphe sont largement employés pour la prévision du trafic grâce à leur capacité à capturer les corrélations entre les nœuds du réseau. Toutefois, les approches existantes utilisent une matrice d’adjacence prédéfinie ou adaptative, qui ne reflète pas fidèlement les relations réelles entre les signaux dans le monde réel. Pour remédier à ce problème, nous proposons un modèle de réseaux de convolution récurrents à graphe dynamique par décomposition (DDGCRN) pour la prévision du trafic. Le DDGCRN combine un réseau de convolution récurrent à graphe dynamique avec un modèle basé sur un réseau de neurones récurrents (RNN), capable de générer des graphes dynamiques à partir de signaux de trafic variant dans le temps, permettant ainsi d’extraire efficacement des caractéristiques à la fois spatiales et temporelles. En outre, le DDGCRN sépare les signaux anormaux des signaux normaux et les modélise à l’aide d’une approche pilotée par les données, afin d’améliorer davantage la précision des prédictions. Les résultats de notre analyse sur six jeux de données réels démontrent clairement l’avantage du DDGCRN par rapport aux méthodes de pointe actuelles. Le code source est disponible à l’adresse suivante : https://github.com/wengwenchao123/DDGCRN.