В статье представлен подход прогнозирования нагрузки на микросервисную систему, объединяющий методы анализа временных рядов ARIMA и вероятностный вывод в байесовских сетях. Он позволяет учитывать как шаблоны нагрузки на отдельные микросервисы во времени, так и структурные зависимости между этими микросервисами. Представленный подход состоит из двух этапов: на первом этапе ARIMA-модели строят независимые прогнозы для каждого микросервиса, а на втором этапе байесовская сеть корректирует полученные прогнозы с учетом зависимостей между микросервисами и распространения нагрузки от сервиса к сервису. Итоговый прогноз состоит из взвешенных результатов обоих этапов. Кроме того, предусмотрен критерий обнаружения аномальной нагрузки, благодаря которому система прогнозирования способна реагировать на нее, изменяя веса и другие параметры алгоритма. Проводится экспериментальная проверка программной реализации подхода на данных реальных систем. Результаты сравниваются, в первую очередь, с изолированным применением ARIMA и с применением Long-Short Term Memory (LSTM) сетей для той же задачи. Алгоритм показывает себя перспективным к применению в задаче прогнозирования нагрузки.