Nous présentons dans ces travaux le concept du ``Résumé de Séquence Temporelle'' dont le but est d'aider les applications dépendantes du temps à passer à l'échelle sur de grandes masses de données. Un Résumé de Séquence Temporelle s'obtient en transformant une séquence d'événements où les événements sont ordonnés chronologiquement. Chaque événement est précisément décrit par un ensemble de labels. Le résumé produit est alors une séquence temporelle d'événements, plus concise que la séquence originale et pouvant se substituer à l'originale dans les applications. Nous proposons un algorithme appelé ``TSaR'' pour produire un tel résumé. TSaR se base sur les principes de généralisation, de regroupement et de formation de concept. La généralisation permet d'abstraire à l'aide de taxonomies les labels qui décrivent les événements. Le regroupement permet ensuite d'agglomérer les événements généralisés qui sont similaires. La formation de concept réduit le nombre d'événements groupés-généralisés dans la séquence en représentant chaque groupe formé par un unique événement. Le processus est conçu de manière à préserver la chronologie globale de la séquence d'entrée. L'algorithme TSaR produit le résumé de manière incrémentale et a une complexité algorithmique linéaire. Nous validons notre approche par un ensemble d'expériences sur une année d'actualités financières produites par Reuters.