De nos jours, de nombreuses applications (e.g. surveillance en temps reel, analyse du trafic...) doivent faire face a un flot eventuellement infini de donnees multidimensionnelles. Dans un tel contexte, il n'est plus possible d'exploiter ces donnees a un faible niveau de granularite et il faut donc proposer de nouvelles approches d'agregation prenant en compte ces differentes contraintes. Nous adaptons les technologies OLAP a un contexte temps reel pour proposer une structure qui (1) permette une analyse multidimensionnelle et multiniveau efficace et (2) satisfasse une contrainte critique dans les flots de donnees : l'espace de stockage. Traditionnellement, l'historique des donnees de granularite faible n'est consulte que sur un passe proche et vouloir les stocker apres ce delai devient superflu. Nous proposons de les agreger en fonction de l'evolution du flot au cours du temps passe en etendant le principe de fenetres temporelles a toutes les dimensions hierarchisees et introduisons les fonctions de precision pour determiner a quel moment un niveau de granularite devient superflu. Ces fonctions sont combinees afin de proposer une structure compacte et rapidement maintenable.