引言对企业而言，找到一种能够预测业务流程的未来行为的技术非常重要，企业需要在流程实例运行之前识别出不符合标准的异常事件，以便能够根据相应的信息及时找到应对措施来避免损失，而预测性流程监控[1]主要从事件日志中训练模型，用来预测一个正在进行的案例在未来的执行情况，可以为企业提供所需预测技术，是目前业务流程管理领域的一个研究热点。针对不同的预测任务，对预测性流程监控技术的分类有所不同，现有预测性流程监控技术论文主要分为三类：第一类侧重于时间方面的预测，Aalst等人通过从事件日志中构建带注释的变迁系统来预测流程的剩余时间[2]。Rogge-Solti等人使用了一种特定类型的随机Petri网，它可以捕获任意持续时间的分布，以此来预测一个案件的剩余时间[3]。Aburomman等人提出了一种新的基于向量和基于ATS的预测业务流程中的剩余时间方法，该方法考虑了与过程执行相关的结构特征或属性，如频率、重复、周期等[4]。Verenich等人将预测分解为更基本的向量，在活动的级别上预测性能指标，以一种透明的白盒方法预测正在进行的过程实例的剩余周期时间。第二类侧重于预测活动的结果。这类方法目标在于产生预测和建议的方法，以减少风险[5]。Conforti等人提出了一种技术，以支持过程参与者做出风险知情的决策，目的是降低过程风险。通过遍历从过去流程执行日志中生成的决策树来预测风险[6]。Pika等人通过识别和利用事件日志中可观察到的统计指标来预测与时间相关的过程风险，这些指标强调了超过最后期限的可能性[7]。Teinemaa等人将结构化数据和非结构化数据结合以尽早预测出违约客户无法在合理期限内支付任何款项的情况[8]，Maggi等人提出了一个框架，根据给定情况下执行过的活动序列和案例中最后执行过的活动的数据属性值来预测案例（正常与异常）的结果[1]。第三类侧重于预测未来事件的延续。Lakshmanan等人提出了一个马尔可夫预测模型来建立一个特定于实例的概率模型，该模型可以预测给定一个运行过程实例的实例中特定事件的概率[9]。Polato等人提出了使用简单回归、上下文信息回归和数据感知转换系统来预测剩余时间和未来活动的序列[10]。Evermann等人提出了一个其中有两个通过反向传播训练的隐藏层的循环神经网络（RecurrentNeuralNetwork，RNN）[11,12]，而Tax等人利用长短期记忆（LongShortTermMemory，LSTM）和一个基于活动和时间戳的编码用来预测事件的延续[13]。Taymouri等人提出了一种对抗性训练框架通过同时训练两个神经...
