La prévision à long terme des séries temporelles (LTSF) est essentielle pour de nombreuses applications réelles, telles que la planification de la consommation d’électricité, la prévision financière et l’analyse de la propagation des maladies. La LTSF nécessite la capture de dépendances à longue portée entre les entrées et les sorties, ce qui pose des défis importants en raison de la complexité des dynamiques temporelles et des exigences computationnelles élevées. Bien que les modèles linéaires réduisent la complexité du modèle en utilisant une décomposition dans le domaine fréquentiel, les approches actuelles supposent souvent la stationnarité et filtrent les composantes à haute fréquence, qui peuvent pourtant contenir des fluctuations à court terme cruciales. Dans cet article, nous introduisons MMFNet, un nouveau modèle conçu pour améliorer la prévision multivariée à long terme en exploitant une approche de décomposition fréquentielle à plusieurs échelles avec masque. MMFNet capte des motifs temporels fins, intermédiaires et grossiers en transformant les séries temporelles en segments fréquentiels à différentes échelles, tout en utilisant un masque apprenable pour filtrer de manière adaptative les composantes non pertinentes. Des expérimentations étendues sur des jeux de données standard montrent que MMFNet non seulement surmonte les limites des méthodes existantes, mais qu’il obtient également des performances constantes et performantes. Plus précisément, MMFNet réduit le taux d’erreur quadratique moyen (MSE) jusqu’à 6,0 % par rapport aux modèles d’état de l’art conçus pour les tâches de prévision multivariée.