Die Anomalieerkennung in Zeitreihendaten gewinnt in verschiedenen industriellen Anwendungsbereichen zunehmend an Bedeutung, da Metriken überwacht werden, um potenzielle Unfälle und wirtschaftliche Verluste zu verhindern. Allerdings erschweren die Knappheit an gelabelten Daten sowie die unklare Definition von Anomalien diese Bemühungen erheblich. In jüngster Zeit haben unüberwachte maschinelle Lernverfahren erhebliche Fortschritte bei der Lösung dieses Problems erzielt, indem entweder Einzelzeitpunkt-Vorhersagen oder die Rekonstruktion ganzer Zeitreihen genutzt werden. Obwohl diese Ansätze traditionell getrennt betrachtet wurden, sind sie nicht gegenseitig ausschließend und können sich ergänzen, indem sie unterschiedliche Perspektiven auf die Anomalieerkennung bieten. In diesem Artikel werden zunächst die Erfolge und Grenzen von vorhersagebasierten und rekonstruktionsbasierten Methoden anhand visueller Darstellungen von Zeitreihensignalen und Anomalie-Scores aufgezeigt. Anschließend wird AER (Auto-encoder with Regression), ein gemeinsames Modell vorgestellt, das einen herkömmlichen Autoencoder und einen LSTM-Regressor kombiniert, um die Stärken beider Ansätze zu nutzen und deren Schwächen zu überwinden. Unser Modell ermöglicht gleichzeitig bidirektionale Vorhersagen und die Rekonstruktion der ursprünglichen Zeitreihe durch Optimierung einer gemeinsamen Zielfunktion. Darüber hinaus werden verschiedene Ansätze zur Kombination von Vorhersage- und Rekonstruktionsfehlern durch eine Reihe von Ablation-Studien untersucht. Schließlich wird die Leistungsfähigkeit der AER-Architektur anhand von 12 bekannten einvariablen Zeitreihendaten aus den Sammlungen von NASA, Yahoo, Numenta und UCR mit zwei vorhersagebasierten und drei rekonstruktionsbasierten Methoden verglichen. Die Ergebnisse zeigen, dass AER die höchste durchschnittliche F1-Score über alle Datensätze erreicht (eine Verbesserung um 23,5 % gegenüber ARIMA), während die Laufzeit vergleichbar mit den Komponenten des herkömmlichen Autoencoders und des Regressors bleibt. Unser Modell ist in Orion, einem Open-Source-Benchmark-Tool für die Anomalieerkennung in Zeitreihen, verfügbar.