La question answering sur les graphes de connaissances (KGQA) a récemment suscité un vif intérêt, et de nombreuses méthodes innovantes ont été proposées dans ce domaine, mais très peu se sont concentrées sur le KGQA temporel. La plupart des méthodes existantes pour le KGQA temporel se limitent à une correspondance sémantique ou temporelle, et manquent de capacité à raisonner sur des contraintes temporelles. Dans cet article, nous proposons un modèle basé sur les sous-graphes pour répondre à des questions complexes sur les graphes de connaissances temporels (TKG), inspiré du raisonnement humain. Notre méthode, nommée SubGraph Temporal Reasoning (SubGTR), se compose de trois modules principaux : extraction de connaissances implicites, recherche de faits pertinents et raisonnement logique sur sous-graphes. Tout d’abord, la question est reformulée à l’aide des connaissances contextuelles stockées dans le graphe de connaissances temporel, afin d’extraire des contraintes temporelles explicites. Ensuite, le TKG est exploré pour identifier les entités pertinentes et leur attribuer une évaluation initiale. Enfin, les contraintes temporelles sont quantifiées et appliquées à l’aide de logique temporelle afin d’obtenir la réponse finale. Pour évaluer notre modèle, nous avons mené des expérimentations sur des benchmarks de question answering temporel. Nous constatons que les benchmarks existants contiennent un grand nombre de questions pseudo-temporelles, et nous proposons donc Complex-CronQuestions, une version filtrée de CronQuestions, qui permet mieux de mettre en évidence la capacité d’inférence du modèle face à des questions temporelles complexes. Les résultats expérimentaux montrent que SubGTR atteint des performances de pointe sur les deux jeux de données CronQuestions et Complex-CronQuestions. De plus, notre modèle se distingue par une meilleure capacité à gérer le problème du « froid » des entités (entity cold-start) par rapport aux méthodes existantes de KGQA temporel.