Wir präsentieren eine neuartige Methode zur Anomalieerkennung in Zeitreihen, die eine hervorragende Erkennungsgenauigkeit erreicht und gleichzeitig ein überlegenes Maß an Erklärbarkeit bietet. Unsere vorgeschlagene Methode, TimeVQVAE-AD, nutzt eine maskierte generative Modellierung, die auf der modernsten Methode zur Zeitreihengenerierung, TimeVQVAE, basiert. Das Prior-Modell wird im diskreten Latentraum eines Zeit-Frequenz-Domänen-Modells trainiert. Insbesondere werden die semantischen Eigenschaften der Zeit-Frequenz-Domäne im Latentraum erhalten, was es ermöglicht, Anomalie-Scores über verschiedene Frequenzbänder hinweg zu berechnen und somit tiefere Einblicke in die erkannten Anomalien zu gewinnen. Darüber hinaus ermöglicht die generative Natur des Prior-Modells die Stichprobenerzeugung wahrscheinlicher normaler Zustände für erkannte Anomalien, wodurch die Erklärbarkeit der Anomalien durch Gegenfaktische (counterfactuals) verbessert wird. Unsere experimentelle Evaluation am UCR Time Series Anomaly Archive zeigt, dass TimeVQVAE-AD die bestehenden Methoden hinsichtlich Erkennungsgenauigkeit und Erklärbarkeit erheblich übertrifft. Wir stellen unseren Code auf GitHub bereit: https://github.com/ML4ITS/TimeVQVAE-AnomalyDetection.