Langzeit-Zeitreihen-Vorhersage (Long-term Time Series Forecasting, LTSF) ist für zahlreiche praktische Anwendungen von entscheidender Bedeutung, beispielsweise bei der Planung des Stromverbrauchs, der Finanzprognose und der Analyse der Ausbreitung von Krankheiten. LTSF erfordert die Erfassung langfristiger Abhängigkeiten zwischen Eingaben und Ausgaben, was aufgrund komplexer zeitlicher Dynamiken und hoher Rechenanforderungen erhebliche Herausforderungen darstellt. Obwohl lineare Modelle die Modellkomplexität durch die Verwendung einer Frequenzdomänen-Zerlegung reduzieren, gehen die derzeitigen Ansätze häufig von Stationarität aus und filtern hochfrequente Komponenten heraus, die entscheidende kurzfristige Schwankungen enthalten können. In diesem Artikel stellen wir MMFNet vor, ein neuartiges Modell, das darauf abzielt, die Langzeit-Vorhersage mehrdimensionaler Zeitreihen durch einen mehrskaligen maskierten Frequenzzerlegungsansatz zu verbessern. MMFNet erfasst feine, mittlere und grobe zeitliche Muster, indem es Zeitreihen in Frequenzsegmente unterschiedlicher Skalen umwandelt, wobei eine lernbare Maske zur adaptiven Filterung irrelevanten Anteilen eingesetzt wird. Ausführliche Experimente mit Benchmark-Datensätzen zeigen, dass MMFNet nicht nur die Grenzen bestehender Methoden überwindet, sondern auch konsistent hervorragende Leistung erzielt. Insbesondere erreicht MMFNet im Vergleich zu aktuellen State-of-the-Art-Modellen für mehrdimensionale Vorhersageaufgaben eine Reduktion des mittleren quadratischen Fehlers (Mean Squared Error, MSE) von bis zu 6,0 %.