Die komplexe Natur der Zeitreihenanalyse profitiert erheblich von den jeweiligen Stärken der Darstellung im Zeit- und Frequenzbereich. Während der Zeitbereich besonders gut lokale Abhängigkeiten, insbesondere in nicht-periodischen Zeitreihen, abbilden kann, übertrifft der Frequenzbereich bei der Erfassung globaler Abhängigkeiten, was ihn ideal für Zeitreihen mit deutlichen periodischen Mustern macht. Um beide Vorteile optimal zu nutzen, stellen wir ATFNet vor, einen innovativen Rahmen, der einen Zeitbereichsmodul und einen Frequenzbereichsmodul kombiniert, um gleichzeitig lokale und globale Abhängigkeiten in Zeitreihendaten zu erfassen. Insbesondere führen wir die Methode „Dominant Harmonic Series Energy Weighting“ ein, eine neuartige Strategie zur dynamischen Anpassung der Gewichtungen zwischen den beiden Modulen basierend auf der Periodizität der Eingabedaten. Im Frequenzbereichsmodul erweitern wir die klassische diskrete Fourier-Transformation (DFT) durch unsere erweiterte DFT, die speziell zur Bewältigung der Herausforderung der diskreten Frequenzverschiebung konzipiert ist. Zudem bietet unsere komplexe Spektrum-Aufmerksamkeitsmechanik einen innovativen Ansatz zur Erfassung der komplexen Beziehungen zwischen verschiedenen Frequenzkombinationen. Umfassende Experimente an mehreren realen Datensätzen zeigen, dass unser ATFNet-Framework gegenwärtige state-of-the-art-Methoden im Bereich der Langzeit-Zeitreihenprognose übertrifft.