在呼叫中心排班中,一般由专门的排班系统来完成话务量统计、呼叫人数预测和自动排班。在大中型呼叫中心,由于话务量及坐席数非常多,使用传统的串行排班系统进行话务量预测和排班等工作时,常会遇到三个问题:第一、预测和排班算法耗时长。不管是话务量预测还是自动排班,都要处理大量的数据,运算量非常大,甚至导致算法不收敛;第二、话务量预测精度不高。由于算法耗时长,为了在合理时间内预测出结果,只能降低算法求解的精度。话务量及人数预测是排班系统排班合理性的基础,预测出现大偏差会直接导致排班难以满足业务需求;第三、排班覆盖偏差大。同样,为了在合理时间内排出班次,自动排班算法求得的是局部最优解,而非全局最优解,导致排班覆盖有偏差。排班覆盖不足将直接降低呼叫中心的服务水平。为解决这些问题,需要提高系统算法的性能。本文在分析BP神经网络预测算法和自动排班算法并行化策略的基础上,将算法流程进行了并行化的改造,设计了一个MPI集群组件,将系统改造成基于MPI的并行排班系统,构建了一个基于MPI的并行排班系统。为了对改造后的系统进行定量分析,在实验环境中分别搭建了一个传统的串行排班系统和一个基于MPI的并行排班系统,进行两组对比实验:一是串行和并行系统的对比实验。对串行和并行排班系统的预测耗时、自动排班耗时、迭代次数、加速比、并行效率、预测拟合度、排班拟合度等指标进行对比;二是不同处理机数量下的并行系统对比实验。系统在不同处理机数量的情况下,对并行BP神经网络算法的运行时间、加速比、迭代次数、并行效率等指标进行对比分析。通过分析这两组试验数据,验证了并行排班系统是可行的,能够较好的提升预测和排班算法的性能,话务量预测的准确性提高了10%,排班覆盖方面均得到提升,运用到实际项目中较好的满足了业务需求和提高了呼叫中心的服务水平。本文还注意到了对于并行算法,处理机数量和算法加速比并非线性关系,并行算法的加速比和并行效率并不能双方都得到兼顾,为了权衡好两者,既要提高加速比又要较好的并行效率,关键是要找出合理的处理机个数。