Damit autonome Agenten erfolgreich in der realen Welt operieren können, ist die Antizipation zukünftiger Ereignisse und Zustände ihrer Umgebung eine wesentliche Kompetenz. Dieses Problem wurde formell als ein Sequenzextrapolationsproblem definiert, bei dem eine Reihe von Beobachtungen verwendet wird, um die Sequenz in die Zukunft vorherzusagen. Reale Szenarien erfordern ein Modell der Unsicherheit solcher Vorhersagen, da diese mit zunehmender Zeitspanne immer unsicherer werden – insbesondere auf langen Zeithorizonten. Obwohl beeindruckende Ergebnisse bei punktgenauen Vorhersagen gezeigt wurden, bleiben Szenarien, die mehrmodale Verteilungen über zukünftige Sequenzen induzieren, herausfordernd. Unser Werk befasst sich mit diesen Herausforderungen in einem Gaußschen Latenten Variablenmodell für Sequenzvorhersagen. Unser Kernbeitrag ist ein "Best of Many" („Das Beste von Vielen“) Stichprobenziel, das zu genauereren und vielfältigeren Vorhersagen führt, die die tatsächlichen Variationen in realweltlichen Sequenzdaten besser erfassen. Neben unserer Analyse des verbesserten Modellanpassens übertreffen unsere Modelle auch empirisch frühere Arbeiten bei drei verschiedenen Aufgaben, die von Verkehrsszenarien bis hin zu Wetterdaten reichen.