Die Fragebeantwortung über Wissensgraphen (KG-QA) ist ein zentrales Thema in der Informationsretrieval-Forschung. Fragen mit zeitlichem Intent stellen eine besondere, von praktischer Bedeutung, aber bisher wenig beachtete Kategorie dar. In dieser Arbeit präsentieren wir EXAQT, das erste end-to-end-System zur Beantwortung komplexer zeitlicher Fragen, die mehrere Entitäten und Prädikate sowie zugehörige zeitliche Bedingungen umfassen. EXAQT beantwortet natürlichsprachliche Fragen über Wissensgraphen in zwei Phasen: die erste Phase zielt auf hohe Recall-Rate ab, die zweite Phase auf hohe Präzision in den oberen Rängen. In der ersten Phase werden fragenrelevante, kompakte Teilgraphen innerhalb des Wissensgraphen berechnet und durch gezielte Ergänzung mit relevanten zeitlichen Fakten verbessert, wobei Group Steiner Trees und feinabgestimmte BERT-Modelle eingesetzt werden. In der zweiten Phase werden aus dem Ergebnis der ersten Phase relationale Graph-Convolutional Networks (R-GCNs) konstruiert und diese durch zeitbewusste Entitäts-Embeddings sowie Aufmerksamkeit über zeitliche Relationen weiter verbessert. Wir evaluieren EXAQT anhand von TimeQuestions, einem umfangreichen Datensatz mit 16.000 zeitlichen Fragen, der aus verschiedenen allgemeinen Wissensgraphen-basierten Fragebeantwortungsbenchmarks zusammengestellt wurde. Die Ergebnisse zeigen, dass EXAQT drei state-of-the-art-Systeme zur Beantwortung komplexer Fragen über Wissensgraphen übertrifft, was die Notwendigkeit einer spezialisierten Behandlung zeitbasierter Fragebeantwortung untermauert.