Le problème d’inférence des flux urbains à granularité fine (FUFI) vise à estimer des cartes de flux à granularité fine à partir de cartes à granularité grossière, offrant ainsi des avantages pour diverses applications intelligentes de ville en réduisant les coûts d’électricité, de maintenance et d’exploitation. Les modèles existants s’appuient sur des techniques issues de la super-résolution d’images et parviennent à de bons résultats dans le cadre du FUFI. Toutefois, ils reposent souvent sur un apprentissage supervisé nécessitant une grande quantité de données d’entraînement, et souffrent fréquemment d’un manque de capacité de généralisation ainsi que d’un surapprentissage. Nous proposons une nouvelle solution : S patial- T emporal C ontrasting for F ine-Grained U rban F low I nference (STCF). Elle se compose de (i) deux réseaux de pré-entraînement permettant une contrastation spatio-temporelle entre cartes de flux ; et de (ii) un réseau couplé d’ajustement fin pour fusionner les caractéristiques apprises. En attirant les cartes de flux spatialement et temporellement similaires tout en éloignant celles qui sont dissimilaires dans l’espace de représentation, STCF améliore à la fois l’efficacité et la performance. Des expériences approfondies menées sur deux jeux de données réels à grande échelle concernant les flux urbains montrent que STCF réduit l’erreur d’inférence jusqu’à 13,5 %, tout en nécessitant significativement moins de données d’entraînement et de paramètres de modèle que les approches antérieures.