Die Vorhersage von multivariaten Zeitreihendaten, wie der Prognose des Stromverbrauchs, der Solarenergieerzeugung und polyphoner Klavierstücke, hat zahlreiche wertvolle Anwendungen. Dennoch komplizieren komplexe und nichtlineare Abhängigkeiten zwischen den Zeitschritten und den Reihen die Aufgabe. Um genaue Vorhersagen zu erzielen, ist es entscheidend, langfristige Abhängigkeiten in Zeitreihendaten zu modellieren, was bis zu einem gewissen Grad durch rekurrente Neuronale Netze (RNN) mit Aufmerksamkeitsmechanismus erreicht werden kann. Typische Aufmerksamkeitsmechanismen überprüfen die Informationen an jedem vorherigen Zeitschritt und wählen relevante Informationen aus, um bei der Generierung der Ausgaben zu helfen, scheitern aber daran, zeitliche Muster über mehrere Zeitschritte hinweg zu erfassen. In dieser Arbeit schlagen wir vor, eine Reihe von Filtern zu verwenden, um zeitinvariante zeitliche Muster zu extrahieren, was dem Transformieren von Zeitreihendaten in ihren „Frequenzbereich“ ähnelt. Anschließend haben wir einen neuen Aufmerksamkeitsmechanismus vorgeschlagen, um relevante Zeitreihen auszuwählen und ihre „Frequenzbereichs“-Informationen für die Vorhersage zu nutzen. Wir haben das vorgeschlagene Modell auf mehreren realen Aufgaben angewendet und in allen außer einer erreichten wir den Stand der Technik.