Die Prognose von Zeitreihen ist ein wichtiger Bestandteil in Wirtschaft, Handel und in verschiedenen Bereichen derWissenschaft. Von besonderer Bedeutung ist die Langzeitprognose, die beim Treffen von Entscheidungen und dem Tätigen von Investitionen eine wesentliche Rolle übernimmt. Der Fokus dieser Arbeit liegt auf der gleichzeitigen Langzeitprognose von mehreren Zeitreihen eines großen Datensets. Ausgehend von dem Cross-Sectional Forecasting Modell werden zwei Erweiterungen vorgestellt, um das bestehende Modell für Langzeitprognosen nutzen zu können. Zusätzlich wird die Optimierung durch verschiedene Partitionierungsmethoden untersucht und mithilfe zweier verschiedener Datensätze vergleichend evaluiert. Es wird die additive und prozentuale Partitionierung, sowie die Partitionierung durch den k-Means Algorithmus näher betrachtet, um eine möglichst genaue Prognose zu erreichen. Die Versuchsergebnisse zeigen, dass die entwickelten Erweiterungen auf beiden Datensätzen anwendbar sind und von allen getesteten Prognoseverfahren die besten Prognoseergebnisse erzielen.