Temporale Wissensgraphen (Temporal KGs) erweitern herkömmliche Wissensgraphen durch zeitliche Einschränkungen (Start- und Endzeiten) für jede Kante im Graphen. Während die Fragebeantwortung über Wissensgraphen (KGQA) bereits einige Aufmerksamkeit in der Forschungsgemeinschaft gefunden hat, bleibt die Fragebeantwortung über temporale Wissensgraphen (Temporal KGQA) ein vergleichsweise wenig erforschtes Gebiet. Ein weiterer Hemmnis für Fortschritte ist die fehlende Verfügbarkeit umfassender Datensätze mit großer Abdeckung. Wir begegnen dieser Herausforderung durch die Einführung von CRONQUESTIONS, dem bisher größten bekannten Temporal KGQA-Datensatz, der klar in Gruppen nach struktureller Komplexität unterteilt ist. CRONQUESTIONS erweitert den einzigen bisher bekannten Datensatz um den Faktor 340. Wir stellen fest, dass verschiedene aktuelle state-of-the-art-Methoden zur KGQA auf diesem neuen Datensatz deutlich hinter den gewünschten Leistungszielen zurückbleiben. Als Gegenmaßnahme schlagen wir CRONKGQA vor, eine auf Transformers basierende Lösung, die jüngste Fortschritte in der Embedding-Technologie für temporale Wissensgraphen nutzt und eine Leistung erreicht, die alle Baselines übertrifft – mit einer Steigerung der Genauigkeit um 120 % gegenüber der nächstbesten Methode. Durch umfangreiche Experimente geben wir detaillierte Einblicke in die Funktionsweise von CRONKGQA sowie in Situationen, in denen erhebliche weitere Verbesserungen möglich erscheinen. Neben dem Datensatz haben wir außerdem unseren Quellcode öffentlich verfügbar gemacht.