L'analyse en ligne (OLAP) fournit aux utilisateurs une navigation interactive des données multidimensionnelles. Cependant, aucun moyen pour expliquer les corrélations existantes entre les données n'est offert. Ainsi, le couplage de l'OLAP et de la fouille de données, plus particulièrement les règles d'association a efficacement apporté une solution satisfaisante à ce problème. Dans ce cadre, on s'intéresse à une classe particulière de règles d'association qui est les règles d'association cycliques. Ces règles visent la découverte de modèles qui se reproduisent périodiquement à des intervalles réguliers définis par l'utilisateur. Généralement, les motifs générés ne prennent pas en considération les spécificités du contexte multidimensionnel à savoir, l'existence des mesures et leurs agrégations. Dans cet article, nous proposons une méthode d'extraction de règles d'association cycliques à partir de mesures et nous redéfinissons les métriques d'évaluation de la qualité de ces motifs en s'inspirant de l'additivité temporelle des mesures à travers l'intégration des fonctions d'agrégation appropriées. Pour prouver l'utilité de notre approche, nous menons une étude empirique sur un entrepôt de données réel.