Proponemos un nuevo procedimiento de pronóstico que incluye modelos de regresión dinámica jerárquica aleatorizados con parámetros aleatorios, ruidos de medición y entrada aleatoria. Desarrollamos la tecnología de aprendizaje automático aleatorizado por entropía, que incluye la estimación de características de un modelo de regresión dinámica y su prueba mediante la generación de conjuntos de trayectorias predichas a través del muestreo de las funciones de densidad de probabilidad óptimas de entropía de los parámetros del modelo y los ruidos de medición. Las funciones de densidad se determinan en la etapa de aprendizaje resolviendo el problema de maximización restringido de una función de entropía de información sujeta a los balances empíricos con datos reales. El procedimiento propuesto se aplica al pronóstico aleatorizado de la carga eléctrica diaria en un sistema de energía regional. Construimos un modelo dinámico de dos capas de la carga eléctrica diaria. Una de las capas describe la dependencia de la carga eléctrica con la temperatura ambiente mientras que la otra simula la dinámica estocástica cuasi-fluctuante de la temperatura.