随着经济社会和科学技术的不断进步,企业之间的竞争早已由产品竞争转为服务竞争。呼叫中心作为企业直接为客户提供服务的窗口,其重要性日益凸显。如何对呼叫中心话务量进行准确预测,已经成为管理者和学术界的关注焦点。本文基于现有国内外研究成果,引入时间序列预测模型以考虑短期话务量的时间惯性,引入深度神经网络模型以考虑长期话务量的时间相关性;通过设计的预测周期内时间可变权重,构建了融合时序预测模型和深度神经网络模型的可变权重组合模型,能够有效提高呼叫中心长时间周期的日话务量预测性能。首先,在明晰呼叫中心等相关概念的基础上,对呼叫中心话务量预测的国内外研究进行综述,确定了本文的主要预测模型为时间序列预测模型和深度神经网络模型,分别是基于乘法的Holt-Winters、SARIMA、堆叠LSTM和CNN-LSTM模型。其次,为了进一步提高长时间周期的预测性能,鉴于单一模型不同的预测效果和组合模型的优势,提出并构建了基于预测周期内时间可变权重的组合模型,该权重通过线性约束二次规划模型求解,保证了预测周期内总体误差最小。然后,以电力呼叫中心某省的话务数据为例,从日话务量的时序性及其影响因素两个方面进行描述性统计,确定了日话务量的关键影响因素,包括:时间信息、日期类型、天气状况、温度和降水量。最后,分别使用时序预测模型、深度神经网络模型、等权组合模型和变权组合模型对电力呼叫中心的日话务量进行预测,其预测周期分别为1天、14天和21天。预测结果表明:（1）在短时间预测周期（1天）中SARIMA模型表现出了较其他三个单一模型更好的预测准确性,平均来看MAPE和RMSE分别降低了17.98%和13.50%,其标准差分别降低了11.99%和6.44%;在长时间预测周期（14天和21天）中,CNN-LSTM模型则表现出更好的预测稳定性,平均来看MAPE和RMSE分别降低了24.80%和25.31%,其标准差分别降低了57.64%和40.88%。（2）变权组合模型无论在短时间周期还是长时间周期,其预测性能都显著优于SARIMA、CNN-LSTM和等权组合模型。在预测周期为1天时,MAPE和RMSE分别为13.71%和1049.83,较其他三个模型在MAPE和RMSE上平均降低8.31%和7.70%,其标准差也平均降低8.91%和6.66%;在预测周期为14天时,MAPE和RMSE为15.68%和1577.73,平均降低15.99%和12.95%,其标准差也平均降低28.65%和20.84%;在预测周期为21天时,MAPE和RMSE为17.10%和1779.20,平均降低11.97%和10.88%,其标准差也平均降低22.57%和14.00%。综上,本文提出的变权组合模型在呼叫中心日话务量预测中能够显著提升整个预测周期内的预测准确性和预测稳定性。