Для автоматизации создания моделей машинного обучения, прогнозирующих временные ряды, предложено использовать AutoML-подход. Рассматриваются алгоритмы и технологии, позволяющие реализовать автоматизацию создания моделей. Выбрана гибридная архитектура машинного обучения, которая использовалась при решении задач автоматизации структурно-параметрического синтеза моделей и оптимизации гиперпараметров, а также при автоматическом выборе показателей оценки качества синтезированных моделей. Пользовательский интерфейс для данной системы реализован на основе платформы AutoGenNet, воплощающей концепцию No-Code разработки, которая позволяет скрыть от пользователей сложность процессов создания и обучения моделей, что обеспечивает снижение порога вхождения для работы с программой. Использование платформы AutoGenNet позволяет реализовать механизм генерации программных оболочек для эксплуатации обученных моделей, а также обеспечить автоматизацию процессов генерации и обучения гибридных моделей, что упрощает и ускоряет процесс решения задач прогнозирования временных рядов с помощью моделей машинного обучения. Полученные результаты могут быть масштабированы и использованы для создания моделей прогнозирования временных рядов в различных прикладных задачах.