Einer der aktuellen Herausforderungen im Maschinenlernen ist die Bewältigung von Daten, die in wachsenden Raten in Datenströmen eintreffen. Es sind neue prädiktive Lernstrategien erforderlich, um mit den hohen Datendurchsätzen und dem Konzeptdrift umzugehen. Ein Bereich des Data-Stream-Minings, in dem neue Lernstrategien benötigt werden, ist die Multi-Target-Regression aufgrund ihrer Anwendbarkeit in zahlreichen realen Problemen. Obwohl zuverlässige und effektive Lernstrategien für die Batch-Multi-Target-Regression vorgeschlagen wurden, gibt es nur wenige Vorschläge für die Multi-Target-Online-Lernung in Datenströmen. Darüber hinaus berücksichtigen die meisten bestehenden Lösungen bei Vorhersagen nicht das Auftreten von Inter-Target-Korrelationen. In dieser Arbeit schlagen wir eine neuartige Online-Lernstrategie für die Multi-Target-Regression in Datenströmen vor. Die vorgeschlagene Strategie erweitert einen existierenden Online-Baumlernalgorithmus, um Inter-Target-Abhängigkeiten bei Vorhersagen zu erkunden. Dafür verwendet die vorgeschlagene Strategie, genannt gestapelte Einzelziel-Hoeffding-Baum (Stacked Single-target Hoeffding Tree, SST-HT), die Inter-Target-Abhängigkeiten als zusätzliche Informationsquelle, um die prädiktive Genauigkeit zu verbessern. In einem umfangreichen experimentellen Aufbau bewerten wir unseren Vorschlag gegenüber den neuesten baumbasierten Algorithmen für die Online-Multi-Target-Regression. Die experimentellen Ergebnisse zeigen, dass SST-HT eine überlegene prädiktive Genauigkeit aufweist, wobei sich die Verarbeitungszeit und Speicheranforderungen nur geringfügig erhöhen.