Comme une composante indispensable du système de gestion du trafic intelligent (ITS), la prévision du trafic est intrinsèquement soumise à trois défis majeurs. Premièrement, les données de trafic sont physiquement liées aux réseaux routiers, et doivent donc être représentées sous forme de graphes de trafic plutôt que de tenseurs réguliers de type grille. Deuxièmement, les données de trafic présentent une forte dépendance spatiale, ce qui implique que les nœuds dans les graphes de trafic entretiennent généralement des relations complexes et dynamiques entre eux. Troisièmement, les données de trafic montrent une forte dépendance temporelle, un aspect crucial pour la modélisation des séries temporelles de trafic. Pour relever ces défis, nous proposons un cadre novateur appelé Structure Learning Convolution (SLC), qui permet d’étendre les réseaux de neurones convolutifs classiques (CNN) au domaine des graphes tout en apprenant automatiquement la structure du graphe pour la prévision du trafic. Techniquement, SLC intègre explicitement les informations structurelles dans l’opération de convolution. Dans ce cadre, diverses méthodes CNN non euclidiennes peuvent être considérées comme des cas particuliers de notre formulation, offrant ainsi un mécanisme souple pour l’apprentissage sur les graphes. Suivant cette approche technique, deux modules SLC sont proposés pour capturer respectivement les structures globales et locales, puis intégrés pour construire un réseau end-to-end dédié à la prévision du trafic. Par ailleurs, dans ce processus, les réseaux de convolution pseudo-tridimensionnels (P3D) sont combinés avec SLC afin de modéliser efficacement les dépendances temporelles présentes dans les données de trafic. Des expériences comparatives étendues sur six jeux de données réels démontrent que notre approche propose une performance significativement supérieure aux méthodes de pointe actuelles.