Wir schlagen eine neuartige Methode zur Modellauswahl für dynamische Netzwerke vor. Unser Ansatz besteht darin, einen Klassifikator auf einer großen Menge synthetischer Netzwerkdaten zu trainieren. Die Daten werden durch Simulation von neun state-of-the-art-Zufallsgraphen-Modellen für dynamische Netzwerke generiert, wobei die Parameterbereiche so gewählt werden, dass die Netzwerkgröße exponentiell mit der Zeit wächst. Wir entwickeln einen konzeptionell neuen Typ dynamischer Merkmale, die die Anzahl neuer Verbindungen zählen, die eine Gruppe von Knoten innerhalb eines bestimmten Zeitintervalls erhalten. Die vorgeschlagenen Merkmale sind einfach zu berechnen, analytisch handhabbar und interpretierbar. Unser Ansatz erreicht eine nahezu perfekte Klassifizierung synthetischer Netzwerke und übertrifft den Stand der Technik deutlich. Die Anwendung unserer Klassifikationsmethode auf reale Zitatsnetzwerke stützt die Behauptungen in der Literatur, dass Modelle mit präferenzieller Anbindung, Fitness und Alterung die realen Zitatsnetzwerke am besten beschreiben, wenngleich gelegentlich das vorhergesagte Modell keine Knoten-Fitness berücksichtigt.