Viele praktische Aufgaben sind durch Beschränkungen im Zugang zu Daten geprägt: In einigen Fällen steht nur sehr wenig Daten zur Verfügung, in anderen sind Daten aufgrund von Datenschutzvorschriften (z. B. DSGVO) geschützt. Wir betrachten spezifische Einschränkungen, die sich auf Zeitreihendaten beziehen, und stellen ein Modell vor, das synthetische Zeitreihen erzeugen kann, die anstelle realer Daten eingesetzt werden können. Ein Modell zur Erzeugung synthetischer Zeitreihendaten verfolgt zwei Ziele: 1) die Abbildung der schrittweisen bedingten Verteilung realer Folgen und 2) die treue Modellierung der gemeinsamen Verteilung gesamter realer Folgen. Autoregressive Modelle, die mittels Maximum-Likelihood-Schätzung trainiert werden, können in Systemen eingesetzt werden, bei denen frühere Vorhersagen zurückgekoppelt und zur Vorhersage zukünftiger Werte verwendet werden; in solchen Modellen können sich Fehler im Laufe der Zeit akkumulieren. Zudem ist ein plausibler Anfangswert erforderlich, wodurch MLE-basierte Modelle letztlich nicht wirklich generativ sind. Da viele nachgeschaltete Aufgaben darauf abzielen, bedingte Verteilungen von Zeitreihen zu modellieren, müssen synthetische Daten, die aus einem generativen Modell stammen, neben der Erfüllung von Ziel 2) auch Ziel 1) erfüllen. Wir stellen TsT-GAN vor, einen Rahmen, der die Transformer-Architektur nutzt, um diese Anforderungen zu erfüllen, und vergleichen seine Leistung mit fünf state-of-the-art-Modellen anhand von fünf Datensätzen. Die Ergebnisse zeigen, dass TsT-GAN auf allen Datensätzen eine höhere Vorhersagegenauigkeit erzielt.