Cet article présente DspGNN (Dynamic Spectral-Parsing Graph Neural Network), un réseau de neurones sur graphes dynamiques qui intègre des opérations de convolution spectrales sur graphes. DspGNN permet de capturer efficacement les informations spectrales évolutives dans des graphes dynamiques à temps discret (DTDG), à des fins de prédiction d'attributs numériques sur les arêtes. Notre première contribution est l'adaptation et l'optimisation des convolutions spectrales sur graphes dynamiques qui étaient jusqu'ici dédiées aux graphes statiques. La seconde contribution est une technique innovante, simple et efficace appelée Active Node Mapping (ANM) pour réduire la complexité calculatoire de la décomposition en valeurs propres sur de grands DTDGs. Au travers d'expérimentations, nous montrons que le modèle DspGNN est performant sur l'ensemble de données de transactions en bitcoins de la conférence EGC 2024 et sur deux autres ensembles de données de la littérature.