La prévision du trafic revêt une importance capitale dans les systèmes de transport intelligents (ITS). En raison de la complexité inhérente au comportement du trafic ainsi que de la nature non euclidienne des données de trafic, il est particulièrement difficile d'obtenir des prévisions précises. Bien que les études antérieures aient pris en compte les relations entre différents nœuds, la majorité se sont appuyées sur une représentation statique, sans parvenir à capturer les interactions dynamiques entre nœuds au fil du temps. En outre, les recherches antérieures ont souvent recouru à des modèles basés sur les réseaux de neurones récurrents (RNN) pour modéliser les dépendances temporelles. Bien que les RNN soient une option courante pour les problèmes de prévision, ils sont souvent gourmands en mémoire et lents à entraîner. Par ailleurs, des études récentes ont commencé à exploiter des algorithmes de similarité afin de mieux exprimer l’implication d’un nœud par rapport à un autre. Toutefois, à notre connaissance, aucune n’a encore exploré la contribution des nœuds dans ce contexte.