Les facteurs temporels sont liés à l'évolution des faits dans des applications réalistes, telles que la progression des maladies et le développement de situations politiques, ce qui explique l'attention considérable portée à la recherche sur les Graphes de Connaissance Temporelle (GCT). Dans les GCT, il est nécessaire d'étudier les modèles relationnels inhérents au temps pour l'apprentissage de représentation et le raisonnement à travers les faits temporels. Cependant, les méthodes existantes peinent à modéliser ces modèles relationnels temporels et ne parviennent pas à saisir les connexions intrinsèques entre les relations lorsqu'elles évoluent dans le temps, manquant ainsi de transparence. Dans cet article, nous proposons une nouvelle méthode de modélisation temporelle qui représente les entités temporelles comme des Rotations dans l'Espace Vectoriel Quaternionien (RotateQVS) et les relations comme des vecteurs complexes dans l'espace quaternionien de Hamilton. Nous démontrons que notre méthode peut modéliser les modèles clés des relations dans les GCT, tels que la symétrie, l'asymétrie et l'inversion, et peut également capturer les relations évoluant dans le temps grâce à une théorie sous-jacente. Sur le plan empirique, nous montrons que notre méthode peut améliorer significativement les performances des tâches de prédiction de liens sur quatre benchmarks de graphes de connaissance temporelle.