В статье представлено прикладное исследование задачи краткосрочного прогнозирования ежедневного числа обращений в компьютерный сервисный центр. Для двухлетнего ряда за 2023˗2024 годы были сформированы календарные, лаговые и метеорологические признаки, а также реализован гибридный ансамбль базовых моделей Ridge, ElasticNet, SVR, Случайный лес, XGBoost и LightGBM. Во избежание утечки информации использовались строгие временные сдвиги признаков, логарифмирование целевой переменной и схема TimeSeriesSplit с пятью разбиениями. Веса ансамбля подбирались как задача ограниченной оптимизации методами SLSQP, роевой оптимизации (PSO), дифференциальной эволюции (DE) и имитации отжига (SA). Лучший результат получен на базовом наборе признаков: гибридный ансамбль с оптимизацией весов методом PSO достиг RMSE = 2.0847, MAE = 1.5988, MAPE = 20.62% и R² = 0.6315. По сравнению с лучшей одиночной моделью по MAPE (SVR, 21.29%) выигрыш составил 0.67 процентного пункта. Показано, что усложнение признакового пространства тригонометрическим кодированием времени и дополнительными производными признаками не улучшает генерализацию. Полученные результаты подтверждают практическую применимость компактных ансамблей для прогнозирования шумного операционного спроса, обремененного хаотическими факторами.