Основною метою прогнозування нестаціонарних часових рядів є побудова, ідентифікація, налаштування та перевірка їх моделей. Показано ефективність використання технологій машинного навчання для аналізу нестаціонарних часових рядів завдяки їх здатності моделювати складні нелінійні залежності в поведінці часового ряду як залежно від попередніх значень, так і зовнішніх чинників, аналізувати особливості, відносини та складні взаємодії. Обговорено особливості прогнозування часових рядів із використанням одновимірної згорткової нейронної мережі (ОВЗНМ). Розглянуто особливості архітектури та процесу навчання при використанні ОВЗНМ на прикладі рішення задач прогнозування продажів і побудови прогнозу цін акцій компанії. Для поліпшення якості прогнозу, вихідні часові ряди піддавалися попередній обробці методом ковзного середнього в вікні. Комп'ютерне моделювання задачі прогнозування з застосуванням ОВЗНМ виконано на мові програмування Python. У прогнозі продажів із використанням архітектури запропонованої моделі ОВЗНМ зроблено прогноз продаж легкових і комерційних автомобілів у В'єтнамі в період із 2011 по 2018 рр. Модель ОВЗНМ показала високу точність прогнозування з даними сезонного тренду. У прогнозуванні цін на акції використано іншу архітектуру моделі ОВЗНМ, яка відповідає нестаціонарним даним із великими довжинами серій даних при невеликому інтервалі між відліками, такими як дані статистики торгівлі акціями за хвилину. У цьому проекті дані взято з AmazonNasdaq100 для 40 560 точок даних. Дані поділяються на навчальний і тестовий набори. Тестовий набір використовується для перевірки фактичної продуктивності моделі. Показано, що модель ОВЗНМ надає хороші результати при наявності як сезонної, так і трендової складових часового ряду за великих розмірів даних.