В статье представлен программный комплекс для прогнозирования временных рядов, основанный на методах кластеризации и глубокого обучения. Комплекс включает контроллер управления, модули предобработки данных, параметризации временных рядов, кластеризации с использованием алгоритма DBSCAN, а также прогнозирования с применением рекуррентных нейронных сетей LSTM. Важной особенностью является параметризация временных рядов перед кластеризацией, что позволяет выделять ключевые статистические и спектральные характеристики данных, такие как среднее, дисперсия, коэффициенты ARIMA, тренд, количество пиков и впадин. Применение алгоритма кластеризации DBSCAN обеспечивает автоматическое формирование кластеров без необходимости заранее задавать их количество, что делает алгоритм более гибким и устойчивым к шуму. Использование отдельных моделей LSTM для каждого кластера позволяет учитывать специфические закономерности данных внутри группы, повышая точность предсказаний. Реализация выполнена на Python и ASP.NET Core, что упрощает интеграцию в различные информационные системы и обеспечивает кроссплатформенность. В статье подробно рассматриваются архитектура программного комплекса, его функциональные возможности, алгоритмы обработки данных и методология прогнозирования. Проведённые эксперименты на реальных данных подтвердили эффективность предложенного подхода, демонстрируя снижение ошибки прогноза за счёт предварительной кластеризации временных рядов. Разработанное решение может быть полезно в экономике, медицине, промышленности, энергетике и других областях, где требуется высокая точность прогнозирования. Статья будет полезна разработчикам, работающим с машинным обучением, анализом временных рядов, а также исследователям, изучающим современные методы интеллектуального анализа данных и их практическое применение.