Les flux de séries temporelles sont aujourd'hui produits dans de nombreux domaines comme la finance (Zhu et Shasha (2002)), la surveillance de réseaux (Borgne et al. (2007); Airoldi et Faloutsos (2004)), la gestion de l'historique des usages fréquents (Giannella et al. (2003); Teng et al. (2003)), etc. Résumer de tels flux est devenu un domaine important qui permet de surveiller et d'enregistrer des informations fiables sur les séries observées. À ce jour, la majorité des algorithmes de ce domaine s'est concentrée sur des résumés séparés et indépendants (Giannella et al. (2003); Zhu et Shasha (2002); Chen et al. (2002)), en accordant à chaque série le même espace en mémoire. Toutefois, la gestion de cet espace mémoire est un sujet important pour les flux de données et une stratégie accordant la même quantité de mémoire à chaque série n'est pas forcément appropriée. Dans cet article, nous considérons que les séries doivent être en compétition vis à vis de l'espace mémoire, selon leur besoin de précision. Ainsi, nous proposons : (1) une stratégie de gestion de l'espace mémoire optimisée et (2) une nouvelle méthode de résumé des séries temporelles par approximation. Dans ce but, nous observons à la fois l'erreur globale et les erreurs locales. La répartition de la mémoire suit les étapes suivantes : (1) recherche de la séquence la mieux représentée et (2) recherche de la partie à compresser en minimisant l'erreur. Nos expérimentations sur des données réelles montrent l'efficacité et la pertinence de notre approche.