Mehrkamerasysteme zur Personenverfolgung haben das Potenzial, Okklusionen in dicht besetzten Szenen besser zu bewältigen als Einzelsysteme. Sie basieren häufig auf dem Paradigma der Verfolgung durch Detektion, das erst die Erkennung von Personen und anschließend deren Verbindung vorsieht. In dieser Arbeit argumentieren wir, dass ein noch effektiverer Ansatz darin besteht, die Bewegungen von Personen über die Zeit vorherzusagen und daraus ihre Anwesenheit in einzelnen Bildern abzuleiten. Dies ermöglicht es, sowohl zeitliche als auch räumliche Konsistenz innerhalb eines einzigen zeitlichen Rahmens sicherzustellen. Wir validieren unseren Ansatz anhand der Datensätze PETS2009 und WILDTRACK und zeigen, dass er den aktuellen Stand der Technik übertreffen kann.