Les études longitudinales impliquent des observations répétées d'une même variable sur des périodes pouvant être longues et sur plusieurs unités statistiques. L'un des principaux défis pour modéliser ce type de données réside dans l'évaluation des partitions d'unités statistiques qui évoluent au fil du temps. Dans ce travail, nous proposons un modèle bayésien non paramétrique efficace sur le plan informatique pour le regroupement spatio-temporel. Plus précisément, nous introduisons le modèle de partition autorégressive du produit (ARPPM) avant de modéliser directement des séquences de partitions aléatoires. Dans ce cadre, la dépendance spatiale entre les unités est intégrée par le biais d'un modèle de partition de produit spatial (sPPM), tandis que nous induisons la dépendance temporelle en traitant les observations des étapes temporelles précédentes comme des covariables supplémentaires pour la partition actuelle, en tirant parti des mécanismes des modèles de partition de produit avec covariables (PPMx). Nous explorons les propriétés théoriques du modèle et caractérisons la séquence spatio-temporelle des partitions aléatoires induites par la distribution a priori.