随着税务种类的增多,各种税务的办理前提和办理对象互有区别,并且有部分税务可以线上办理,给纳税人更加便捷的纳税体验。但是,有着大量的业务要求纳税人去线下进行办理,办税服务厅的纳税人数依然较多。纳税人不能知道自己将要等待的时间长度,并且在高峰时间段的等待时间过长,增加了纳税人的焦虑,以及浪费了大量的等待时间。因此,明确纳税人等待时间,能有效地减少纳税人等待过程中的焦虑,并能让纳税人根据需要等待时间的长度,合理地利用等待时间。本文则针对一办税服务厅提供的基本数据,利用数据挖掘技术,构建新的特征丰富数据维度,研究不同的基本模型最佳的特征组合,对纳税人的等待时间进行预测。通过得出影响模型预测能力的特征,不仅能准确预测等待时间,有效降低纳税人的焦虑,提供办税服务厅的服务质量,同时还能为在其它领域中,预测等待时间的研究,提供一定的参考价值。本文首先对影响办税服务厅等待时间的部分特征进行了介绍,阐述了本文研究的主要内容,总体路线和研究方法,提出了基于数据挖掘技术的纳税人等待时间预测的研究。本文重点介绍了如何利用数据挖掘技术,对纳税人等待时间进行预测研究。首先本文进行了数据分析,根据业务种类和服务窗口的不同,对数据进行了合并和分类。然后,从业务类型,等待时间,办理时间等多个维度来进行数据分析,并结合专家建议和人工排查,对某些异常数据进行了修改和删除处理。之后,因为业务学习日的下午会关闭办税服务厅,导致当天下午的数据样本缺失,所以,对此进行了人工合成正常数据,主要方式是迁移其相邻日期下午的数据样本。最后,通过对特征工程的介绍,本文从正办理,正等待,已办理等多个维度进行了特征构建,生成了众多高级特征,丰富了数据的维度。在模型构建上,本文通过使用不同的五种模型,对比随机预测和顺序预测的实验结果,证明了在随机预测上的采样分布更加均匀,弥补了由于数据样本过少导致顺序预测的训练集和测试集差异大的问题。通过对比特征工程前后的实验结果,证明了本次特征工程的正确性。通过对比特征选择前后的实验结果,证明了结合前后逐步法和校正决定系数的特征选择法的有效性。最后,几个不同模型得到了比较理想的预测结果。