Diese Arbeit präsentiert das erste Modell zur Zeitnormalisierung, das auf dem SCATE-Korpus trainiert wurde. Im SCATE-Schema werden Zeitausdrücke als semantische Zusammensetzung von Zeitentitäten annotiert. Dieses neuartige Schema eignet sich besonders gut für maschinelles Lernen, da es als semantische Parsungsaufgabe interpretiert werden kann. In dieser Arbeit schlagen wir ein neuronales Netzwerk auf Zeichenebene mit mehreren Ausgaben vor, das die bisherigen State-of-the-Art-Modelle, die auf dem TimeML-Schema basieren, übertrifft. Um Vorhersagen von Systemen, die entweder SCATE oder TimeML folgen, vergleichen zu können, stellen wir eine neue Bewertungsmetrik für Zeitintervalle vor. Zudem wenden wir diese neue Metrik an, um eine vergleichende Analyse der Annotationen beider Schemata im selben Korpus durchzuführen.