Метою дослідження є підвищення точності короткострокового прогнозування електричного навантаження та енергоспоживання в системах "розумний будинок" для забезпечення ефективного проактивного керування енергоресурсами, розробка гібридного методу, здатного ефективно обробляти зашумлені дані IoT–сенсорів та враховувати контекстні часові залежності.Запропоновано гібридну архітектуру глибокого навчання, яка поєднує згорткові нейронні мережі (CNN) для виділення локальних патернів, мережі довгої короткострокової пам’яті (LSTM) для аналізу часових залежностей та механізм уваги (Attention) для адаптивногозважування важливості вхідних даних. Особливістю методу є блок злиття контексту (Context Fusion), що інтегрує циклічні часові ознаки (час доби, день тижня) безпосередньо у повнозв'язні шари моделі. Валідацію проведено методом перехресної перевірки на часових рядах (Time Series Cross–Validation) на 5 етапах.