Zeitliche Faktoren sind mit dem Wachstum von Fakten in realen Anwendungen verbunden, wie zum Beispiel der Fortschreibung von Krankheiten und der Entwicklung politischer Situationen. Daher zieht die Forschung zu zeitlichen Wissensgraphen (Temporal Knowledge Graphs, TKG) viel Aufmerksamkeit an. In TKGs müssen zeitliche Relationsmuster für das Lernen von Repräsentationen und das Schließen über zeitliche Fakten untersucht werden. Bestehende Methoden können jedoch kaum zeitliche Relationsmuster modellieren oder die intrinsischen Verbindungen zwischen Relationen bei deren zeitlicher Entwicklung erfassen, was ihre Interpretierbarkeit einschränkt. In dieser Arbeit schlagen wir eine neue Methode zur zeitlichen Modellierung vor, die zeitliche Entitäten als Rotationen im Quaternionenvektorraum (RotateQVS) und Relationen als komplexe Vektoren im Hamiltonschen Quaternionenraum darstellt. Wir zeigen, dass unsere Methode wichtige Muster von Relationen in TKGs modellieren kann, wie Symmetrie, Asymmetrie und Umkehrbarkeit, und zudem theoretisch die zeitlich entwickelten Relationen erfassen kann. Empirisch beweisen wir, dass unsere Methode die Leistungsfähigkeit bei Link-Vorhersage-Aufgaben auf vier Benchmarks für zeitliche Wissensgraphen verbessern kann.