目前O2O发展的关键已经从如何扩大规模转换为如何优化资源调度,精准定位营销提高用户粘性。解决这些问题的关键手段一是如何高效地配置骑手等调度资源缩短配送时间,二是如何精准的营销不同层次的顾客需求提升服务质量。O2O外卖平台积累的海量数据带给我们更多信息的同时,也带来了更多的噪音和异常数据,这些噪声严重影响了我们对于数据进一步的分析和处理,因此在建模分析预测之前,对于数据进行预处理降噪是很有必要的。采用小波阈值去噪法对数据进行去噪处理,分析了不同层次订单数据的小波去噪效果,对整体和订单量大的区域去噪,订单量小的区域以及所有顾客层数据保留原始数据,去噪后有效提高了数据的质量。针对实际预测需求,提出一类新型无核最优分布回归模型:无核二次最优间隔分布回归（Quadratic Optimal Margion Distribution Regression,QOMDR）,并将其应用于不同层次O2O外卖平台顾客需求预测,该模型克服了有核支持向量回归核函数选择试错性强的缺陷,并且相较与无核二次曲面支持向量机有更强的泛化性能;采用常用的机器学习算法进行对比试验,证明新模型能够对不同层次顾客需求进行更加精准的把控,提升了现有模型对数据的预测能力。依据得到的顾客需求的基础预测结果,运用分层预测的协调算法可以实现对不同层次顾客需求预测结果的修正,进一步提高外卖平台对顾客需求的预测能力。按照区域的预测结果精度越高,平台对于人力物力的资源的配置就更加的精确合理,能够在满足顾客需求的同时避免资源的浪费,减少平台的运营成本。分顾客层预测的结果可以帮助平台精准营销,根据不同顾客层的需求提供个性化服务。不同的顾客层对于外卖服务的需求是不同的,我们对每一个顾客层的需求进行预测后,后续可以进一步把控不同消费人群对于外卖的需求特征。