La tâche de réponse aux questions sur les graphes de connaissances temporels (TKGQA) représente un défi important, en raison des contraintes temporelles cachées dans les questions et des réponses recherchées à partir de connaissances structurées dynamiques. Bien que les grands modèles linguistiques (LLMs) aient fait des progrès considérables dans leur capacité à raisonner sur des données structurées, leur application à la tâche TKGQA reste un domaine relativement peu exploré. Cet article propose d'abord un nouveau cadre génératif pour la réponse aux questions sur les graphes de connaissances temporels, appelé GenTKGQA, qui guide les LLMs pour répondre aux questions temporelles en deux phases : Récupération de sous-graphes et Génération de réponses. Premièrement, nous exploitons la connaissance intrinsèque des LLMs pour extraire les contraintes temporelles et les liens structurels dans les questions sans formation supplémentaire, ce qui permet de restreindre l'espace de recherche des sous-graphes tant sur le plan temporel que structurel. Ensuite, nous concevons des indicateurs virtuels de connaissances pour fusionner les signaux du réseau neuronal graphique du sous-graphe et les représentations textuelles des LLMs d'une manière non superficielle, ce qui aide ces modèles open source à comprendre profondément l'ordre temporel et les dépendances structurelles parmi les faits récupérés grâce à l'ajustement par instructions. Les résultats expérimentaux sur deux jeux de données largement utilisés démontrent la supériorité de notre modèle.