El problema de programación de talleres (JSSP) es esencial en la producción, lo que puede mejorar significativamente la eficiencia de producción. Eventos dinámicos como fallos de máquinas y retrabajo de trabajos ocurren con frecuencia en la fabricación inteligente, lo que hace que los métodos de programación dinámica de talleres (DJSSP) sean urgentemente necesarios. Los métodos existentes basados en reglas y metaheurísticas no pueden hacer frente a eventos dinámicos en DJSSPs de diferentes tamaños en tiempo real. Este documento propone un método de aprendizaje profundo basado en transformadores de extremo a extremo llamado transformador basado en agrupamiento espacial (SPP-Transformer), que muestra una fuerte generalización y puede aplicarse a DJSSPs de diferentes tamaños. El módulo de extracción de características extrae las características del entorno de producción que se comprimen posteriormente en vectores de longitud fija mediante el módulo de compresión de características. Luego, el módulo de selección de acciones selecciona la regla de prioridad simple en tiempo real. Los resultados experimentales muestran que el tiempo de finalización de SPP-Transformer es un 11.67% menor que el tiempo de finalización promedio de las reglas de despacho, métodos metaheurísticos y métodos de aprendizaje por refuerzo, lo que demuestra que SPP-Transformer realiza una programación dinámica efectiva sin necesidad de entrenar diferentes modelos para diferentes DJSSPs. Hasta donde sabemos, SPP-Transformer es la primera aplicación de un transformador de extremo a extremo en DJSSP, que no solo mejora la productividad de la programación industrial, sino que también proporciona un paradigma para futuras investigaciones sobre aprendizaje profundo en DJSSP.