随着近些年互联网的快速发展,O2O餐饮行业也搭上网络的快车道,如美团、饿了么、百度糯米、肯德基宅急送等。O2O外卖行业使人们的生活更加便捷的同时,也使得竞争更加激烈。外卖行业的不断发展,运营策略和平台资源也在不断的优化,但是始终面临着顾客的满意度低、配送时间长、市场定位不准确等问题。随着外卖产品的种类越来越多,一方面客户对外卖的选择更多样化,另一方面对不同种类外卖的商家提出更多的挑战和要求。本文根据配送时间,以30分钟配送时间为分界,将不超过30分钟配送时长的外卖定义为及时型外卖,超过30分钟配送时长的外卖定义为非及时型外卖。处在当今的大数据时代,面对不同地区的庞大顾客订单量,对不同外卖订单的精准分类就显得尤为重要了。将不同地区的外卖进行分类,进而对不同类型外卖做出预测,有利于精准营销,缩短外卖商家的备餐和顾客的等待时间,提高顾客满意度和忠诚度。同时平台可以合理调配外卖骑手,提高配送的效率。分析不同商家圈的外卖种类,获取商家圈内顾客的偏好,对商家的开店选址有一定的指导意义。本文针对不同商家圈及配送时间从客户订单的角度出发,根据某外卖平台的历史数据,将外卖分类为及时型和非及时型外卖,分别对及时型和非及时型外卖的客户需求预测。此研究估计了不同种类外卖订单需求量,有助于商家提前备货,配置人力物力以更好地完成外卖订单。同时,对不同地区外卖种类需求进行评估,可为准备加入外卖的新商家提供信息参考。经过上述的分析,本文主要解决几个问题:O2O外卖产品、商家圈分类和不同商家圈下外卖种类的订单预测。围绕这几个问题所要做的内容:（1）O2O外卖产品可以根据配送的时长进行分类,根据外卖配送的数据统计,以30分钟为依据划分,小于30分钟配送到达的,为及时型,大于30分钟配送到达的,为非及时型。（2）商家圈的划分。通过相关理论的学习,站在商家的视角,以商家的地点进行划分,依据商家的距离,结合粗聚类算法（Canopy）与K均值聚类（K-means）,建立Canopy-K-means聚类的算法进行划分,可以组成商家联盟,便于平台的统一管理和外卖骑手的调配,形成商家与外卖骑手的匹配与绑定。（3）对特征值的构造。通过文献研究,并结合数据,提出新的特征值,本研究选取的主要特征变量有订单的平均价格、前n日均值、优惠力度、优选商家数量、优选商家订单数量、EMD经验模态分解趋势分量、节假日、天气特征。（4）将长短期记忆神经网络（LSTM）、经验模态分解（EMD）和BP神经网络结合,建立基于LSTM-EMD-BP的组合模型,经过实验对比,表明组合的模型比单一的LSTM、BP预测更加准确,效果更好,对比LSTM-BP、LSTM-BP残差修正模型中,LSTM-EMD-BP模型各类评价指标都好于其他组合模型。