多変量時系列データの予測、例えば電力消費量、太陽光発電量、および複音ピアノ曲の予測は、多くの有用な応用を持っています。しかし、時間ステップ間とシリーズ間の複雑で非線形な相互依存関係がこのタスクを難しくしています。正確な予測を得るためには、時系列データにおける長期的な依存関係をモデル化することが重要であり、これは注意メカニズム付き再帰型ニューラルネットワーク（RNN）によってある程度達成できます。一般的な注意メカニズムは各前の時間ステップでの情報をレビューし、出力生成に役立つ関連情報を選択しますが、複数の時間ステップにわたる時間的なパターンを捉えることができません。本論文では、時間不変の時間的パターンを抽出する一連のフィルターを使用することを提案します。これは時系列データをその「周波数領域」に変換することに類似しています。その後、新たな注意メカニズムを提案し、「周波数領域」情報を利用して関連する時系列を選択して予測を行います。提案したモデルをいくつかの実際のタスクに適用し、例外的に一つを除いてすべてで最先端の性能を達成しました。