La question-réponse sur les graphes de connaissances (KG-QA) est un sujet fondamental en recherche d'information. Les questions ayant une intention temporelle constituent une catégorie particulière d'une importance pratique significative, mais elles ont reçu peu d'attention dans les travaux de recherche. Ce travail présente EXAQT, le premier système end-to-end dédié à la réponse de questions temporelles complexes comportant plusieurs entités et prédicats, ainsi que des conditions temporelles associées. EXAQT répond à des questions en langage naturel posées sur des graphes de connaissances en deux étapes : la première vise à maximiser le rappel, tandis que la seconde se concentre sur la précision aux rangs les plus élevés. La première étape calcule des sous-graphes compacts pertinents pour la question au sein du graphe de connaissances, puis les enrichit de manière ciblée avec des faits temporels pertinents, en utilisant des arbres de Steiner par groupes et des modèles BERT ajustés finement. La deuxième étape construit des réseaux de convolution de graphes relationnels (R-GCN) à partir des sorties de la première étape, et enrichit ces R-GCN par des embeddings d'entités sensibles au temps ainsi que par une attention portant sur les relations temporelles. Nous évaluons EXAQT sur TimeQuestions, un grand jeu de données comprenant 16 000 questions temporelles que nous avons compilées à partir de divers benchmarks de KG-QA à usage général. Les résultats montrent qu'EXAQT surpasser trois systèmes d'état de l'art pour la réponse à des questions complexes sur les graphes de connaissances, ce qui justifie une approche spécialisée de la question-réponse temporelle.