De nos jours, de nombreuses applications (e.g. surveillance en temps réel, analyse du trafic...) doivent faire face à un flot éventuellement infini de données multidimensionnelles. Dans un tel contexte, il n'est plus possible d'exploiter ces données à un faible niveau de granularité et il faut donc proposer de nouvelles approches d'agrégation prenant en compte ces différentes contraintes. Nous adaptons les technologies OLAP à un contexte temps réel pour proposer une structure qui (1) permette une analyse multidimensionnelle et multiniveau 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. 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 combinées afin de proposer une structure compacte et rapidement maintenable.