La question de la détection des fausses nouvelles a pris de l’importance avec la diffusion croissante de flux d’informations non vérifiées sur le Web. Pour relever ce défi, les graphes de connaissances (GC) sont un moyen efficace pour vérifier le contenu des informations diffusées grâce aux faits structurés qu'ils contiennent. Toutefois, la validité de certains faits est dépendante d'un certain contexte temporel. Cette validation temporelle est une question qui n’a pas encore reçu beaucoup d’attention dans la littérature. Notre travail introduit une nouvelle approche interprétable et explicable qui exploite la puissance des graphes de connaissances pour classer les faits en évaluant leur validité ou leur réfutation dans un intervalle temporel. Nous avons dévelopé une symbolique qui est fondée sur les relations d’Allen entre les intervalles temporels et qui étend ces relations aux séquences temporelles. Nous avons évalué notre approche sur l’un des plus grands graphes de connaissances disponibles publiquement et comparons sa performance à travers de multiples hyper-paramètres avec une variante neuro-symbolique que nous avons aussi proposé.