Die Prognose von Ereignissen mit langen Zeithorizonten ist in verschiedenen Bereichen, einschließlich Einzelhandel, Finanzen, Gesundheitswesen und sozialen Netzwerken, von entscheidender Bedeutung. Traditionelle Methoden wie markierte zeitliche Punktprozesse (Marked Temporal Point Processes, MTPP) basieren häufig auf autoregressiven Modellen zur Vorhersage mehrerer zukünftiger Ereignisse. Diese Modelle leiden jedoch oft an Problemen wie der Konvergenz zu konstanten oder wiederholten Ausgaben, was ihre Effektivität und allgemeine Anwendbarkeit einschränkt. Um diese Herausforderungen zu bewältigen, stellen wir DeTPP (Detection-based Temporal Point Processes) vor, einen neuartigen Ansatz, der sich aus Objekterkennungstechniken der Computer Vision ableitet. DeTPP verwendet eine einzigartige verlustfunktion basierend auf Matching-Verfahren, die selektiv verlässlich vorhersagbare Ereignisse priorisiert und so die Genauigkeit und Vielfalt der Vorhersagen während des Inferenzprozesses verbessert. Unsere Methode setzt einen neuen Standard in der Prognose von Ereignissen mit langen Zeithorizonten und erreicht bis zu 77 % relative Verbesserung im Vergleich zu bestehenden MTPP- und Next-K-Methoden. Der vorgeschlagene hybride Ansatz erhöht die Genauigkeit der Vorhersage des nächsten Ereignisses um bis zu 2,7 % in einem großen transaktionalen Datensatz. Bemerkenswert ist auch, dass DeTPP zu den schnellsten Methoden für das Inferenz gehört. Die Implementierung von DeTPP ist öffentlich auf GitHub verfügbar.