Avec le développement des nouvelles technologies, de nombreuses applications (e.g. surveillance en temps réel, analyse du trafic, analyse de transactions financières, ...) doivent faire face à un flot éventuellement infini de données multidimensionnelles. Dans un contexte aussi dynamique, il n'est plus possible pour le décideur d'utiliser toutes les données à un faible niveau de granularité et il devient indispensable de proposer de nouvelles approches d'agrégation prenant en compte ces différentes contraintes. Dans cet article, nous adaptons les technologies OLAP à un contexte temps réel pour proposer une structure qui (1) permette une analyse multidimensionnelle et multi-niveaux efficace et (2) satisfasse une contrainte critique dans les flots de données : l'espace de stockage. Traditionnellement, l'historique des données de granularité faible n'est consulté que sur un passé proche et vouloir les stocker après ce délai devient superflu. Par conséquent, nous proposons de les agréger en fonction de l'évolution du flot au cours du temps passé en étendant le principe de fenêtres temporelles à toutes les dimensions hiérarchisées et introduisons les fonctions de précision pour déterminer à quel moment un niveau de granularité devient superflu. Ces fonctions sont ensuite combinées afin de proposer une structure compacte et rapidement maintenable. Les différentes expérimentations menées sur des jeux de données réels et synthétiques ont confirmé ces propriétés intéressantes.