Die Fragebeantwortung über Wissensgraphen (Knowledge Graph Question Answering, KGQA) hat in letzter Zeit erhebliche Aufmerksamkeit erhalten, und es wurden zahlreiche innovative Ansätze vorgeschlagen. Allerdings gibt es bisher nur wenige Ansätze für die zeitliche KGQA (temporal KGQA). Die meisten bestehenden Methoden zur zeitlichen KGQA konzentrieren sich auf die semantische oder zeitliche Übereinstimmung und verfügen über keine ausreichende Fähigkeit zur Ableitung von Zeitbeschränkungen. In diesem Artikel stellen wir ein subgraphbasiertes Modell zur Beantwortung komplexer Fragen über zeitliche Wissensgraphen (Temporal Knowledge Graphs, TKG) vor, das von menschlichen kognitiven Prozessen inspiriert ist. Unser Ansatz, namens SubGraph Temporal Reasoning (SubGTR), besteht aus drei Hauptmodulen: implizite Wissensextraktion, Suche nach relevanten Fakten und subgraphbasierte logische Reasoning. Zunächst wird die Frage mithilfe von Hintergrundwissen, das im zeitlichen Wissensgraphen gespeichert ist, neu formuliert, um explizite Zeitbeschränkungen zu gewinnen. Anschließend wird der TKG durchsucht, um relevante Entitäten zu identifizieren und eine erste Bewertung dieser Entitäten vorzunehmen. Schließlich werden die Zeitbeschränkungen quantifiziert und mittels temporaler Logik angewandt, um die endgültige Antwort zu ermitteln. Zur Evaluierung unseres Modells führen wir Experimente an etablierten temporalen QA-Benchmarks durch. Dabei stellen wir fest, dass bestehende Benchmarks zahlreiche sogenannte Pseudo-zeitliche Fragen enthalten, und wir schlagen Complex-CronQuestions vor, eine gefilterte Version von CronQuestions, die besser die Inferenzfähigkeit des Modells für komplexe zeitliche Fragen demonstriert. Die experimentellen Ergebnisse zeigen, dass SubGTR sowohl auf CronQuestions als auch auf Complex-CronQuestions eine state-of-the-art-Leistung erzielt. Darüber hinaus zeigt unser Modell eine bessere Leistung bei der Bewältigung des Entity Cold-Start-Problems im Vergleich zu bestehenden Methoden der temporalen KGQA.