In einem System für gesprochene Dialoge übernehmen Komponenten des Dialogzustandverfolgers (DST) das Verfolgen des Gesprächszustands, indem sie die Verteilung der Werte aktualisieren, die den jeweiligen Slots zugeordnet sind und für den aktuellen Benutzerdurchgang verfolgt werden, unter Verwendung der bis dahin erfolgten Interaktionen. Die bisherige Forschung hat sich weitgehend auf das Modellieren der natürlichen Reihenfolge des Gesprächs gestützt, wobei zeitbasierte Abstände als Approximation der Zeit verwendet wurden. In dieser Arbeit gehen wir davon aus, dass die Nutzung der realen Zeitspanne zwischen den Durchgängen entscheidend ist für eine feingranulare Steuerung von Dialogszenarien. Wir entwickeln einen neuen Ansatz, bei dem ein {\it Zeitmaskierung} (time mask), basierend auf der realen Zeitspanne, auf die zugehörigen Slot-Embeddings angewendet wird. Empirisch zeigen wir, dass unser vorgeschlagener Ansatz bestehende Ansätze übertrifft, die zeitbasierte Abstände nutzen, sowohl an einem internen Benchmark-Datensatz als auch am DSTC2-Datensatz.