Системи критичної інфраструктури функціонують в умовах високої динамічності, нестаціонарності та невизначеності, що висуває підвищені вимоги до сучасних систем підтримки прийняття рішень. Забезпечення своєчасного та достовірного прогнозування стану таких об'єктів є важливою умовою підвищення їхньої надійності та безпеки функціонування. Існуючі методи прогнозування забезпечують високу точність, проте недостатньо враховують невизначеність прогнозів, обмежено підтримують інтерпретованість результатів і недостатньо адаптуються до зміни умов експлуатації, а прогнозування, оцінювання невизначеності та пояснюваність здебільшого реалізуються ізольовано. Метою роботи є підвищення надійності, адаптивності та інтерпретованості підтримки прийняття рішень шляхом розроблення інтегрованої системи прогнозування стану об'єктів критичної інфраструктури. Запропоновано модульну архітектуру системи, що об'єднує модулі збору та попередньої обробки даних, формування ознак, ансамблевого прогнозування, оцінювання невизначеності, пояснюваності та підтримки прийняття рішень. Гібридний ансамбль поєднує статистичні моделі, регресори машинного навчання та рекурентні нейронні мережі з динамічним байєсівським зважуванням прогнозів. Наукова новизна полягає в інтеграції гібридного прогнозування, динамічної байєсівської агрегації моделей, оцінювання невизначеності прогнозів і адаптивного навчання із замкненим контуром зворотного зв'язку в межах єдиної інформаційної технології підтримки прийняття рішень. Експериментальну перевірку виконано на відкритому наборі даних ETTh1 (17 420 спостережень, 41 ознака) за протоколом ковзного початку (20 вікон оцінювання, горизонти 1–24 год). Запропонована система забезпечила MAE = 1,329 ± 0,448, RMSE = 1,911 та R² = 0,897, що відповідає зменшенню похибки на 24,6–30,1 % порівняно з окремими моделями машинного навчання. Абляційне дослідження показало, що модуль адаптивного навчання забезпечує зменшення MAE на 82,4 %, а модуль байєсівської агрегації — коректне калібрування прогнозних інтервалів (PICP = 0,952 за номінального рівня 0,95). Індекс довіри значуще корелює з фактичною похибкою, що дає змогу використовувати його як критерій ескалації рішення до експерта. Статистичну значущість відмінностей підтверджено критеріями Вілкоксона та Фрідмана.