Актуальность исследования обусловлена необходимостью решения задачи проактивного управления рабочей нагрузкой центров обработки данных, базирующихся на технологиях виртуальных машин и контейнеризации приложений. Решение подобной задачи связано с анализом ретроспективных данных рабочей нагрузки, консолидированных в виде временных рядов по используемым за заданный период времени вычислительным ресурсам, таким как загруженность пулов процессоров и оперативной памяти и сохраняемых подсистемой мониторинга ресурсов службы администрирования центра обработки данных. В связи с этим работа направлена на исследование методов и технологий машинного обучения, поддерживающих решение задачи прогнозирования временных рядов. В статье делается обобщение особенностей моделей машинного обучения, основанных на статистических подходах и принципах глубокого обучения. Рассматриваются структурные и функциональные компоненты вариантов нейронных сетей, специализированных на анализе зависимостей во временных рядах и решении задач их прогнозирования. В качестве предлагаемого решения представлена гибридная схема системы глубокого обучения, основанная на последовательном применении каскадов одномерных сверточных нейронных сетей и двунаправленных сетей с долгой краткосрочной памятью. Предлагаются подходы к выбору их структурно-параметрических характеристик. Приводятся результаты сравнительной экспериментальной оценки предлагаемого решения с реализацией системы прогнозирования рабочей нагрузки, основанной на методах статистического прогнозирования.