随着移动互联网和智能手机的大规模普及,城市轨道交通的票务支付凭证也在不断丰富,在传统的纸质车票、公共交通卡的基础上增加了如二维码支付等多种虚拟票卡。二维码支付等新型支付方式的出现对地铁传统支付方式的客流量产生了一定的冲击和影响,因此深入解析二维码支付客流的影响因素、变化规律,建立二维码客流量预测模型,对于地铁票务管理部门掌握二维码客流发展规律、优化配置票务系统资源、制定二维码支付营销策略及应急预案等具有重要意义。首先,基于上海地铁二维码支付的乘客用户数据、乘车交易数据、轨道交通站点的经纬度数据等,采用HQL语言对二维码数据进行数据集成、变换、归约等预处理;应用四参数Logistic模型将二维码支付生命周期划分为探查参与期、发展期、巩固期、稳定期四个阶段;基于稳定期内的二维码客流数据,从二维码客流个人属性、时间特性、空间特性三个方面对上海地铁全网和典型站点进行二维码客流分布特征分析;借助Excel、Arc GIS等软件实现可视化展示,发现二维码客流量具有非线性、周期性等分布不均衡的特点,为后续预测模型的选择与构建提供了科学依据。其次,较全面的梳理和总结了二维码客流量的两类影响因素:第一类是常规影响因素,包括了时间类、天气类、个人属性;第二类是特殊影响因素,包括了大型活动、营销活动和突发性事件,并构建了二维码客流量两类影响因素的特征工程。然后,考虑二维码客流量的非线性特点和数据量的限制,选择随机森林（Random Forest,RF）模型作为二维码客流量的核心预测模型,并从参数优化和特征筛选两个方面对预测建模流程进行优化。在参数优化方面,结合随机搜索交叉验证（Randomized Search CV）、网格搜索交叉验证（Grid Search CV）对模型超参数进行寻优;在特征筛选方面,在当前最优参数下引入袋外误差增量?ERROO B作为模型的特征筛选优化算法,在此基础上构建基于OOB-RF的二维码客流量预测模型。接着,利用构建的OOB-RF预测模型分别对上海地铁全网和典型站点徐泾东站的二维码客流量进行了实例预测、验证与分析。实例预测结果发现,本文所构建的OOB-RF预测模型相比Lasso回归、Lasso-RF模型、SPCA-RF等机器学习模型,在预测精度和预测效率方面都相对更优。以徐泾东站预测结果为例,在预测精度上,OOB-RF模型相较于Lasso回归、Lasso-RF模型、SPCA-RF的预测精度分别提高了6.77%、2.39%、5.82%;在预测效率上,通过特征筛选降低了60.98%的特征维度,验证了本文所提出的预测算法的有效性。最后,基于上述研究成果,从票务资源配置、客流管控和票务营销等方面对地铁二维码支付客流票务管理提出了相关建议。本文研究成果可为其他城市地铁二维码客流预测及票务管理等提供方法和经验借鉴。