随着预测型过程监控在经济、数字健康、业务过程管理和IT基础架构监控等不同领域的应用越来越广泛,它也越来越成为了过程挖掘领域主要研究热点之一。过程预测作为预测分析的一种应用,主要利用从历史事件日志中学习到的模型来预测正在进行的过程案例的演变,例如案例的活动后缀或剩余处理时间。近来,已经提出了几种基于深度学习的预测型过程监控方法,以解决活动后缀预测或剩余处理时间准确性低的问题。但是,由于训练数据不足或模型欠佳,这些方法无法很好地解决当前的问题。本文的主要关注点是活动后缀和剩余时间预测,它们的任务分别是根据当前活动获得其最可能的后续活动和案例结束之前的剩余时间。针对业务过程预测现有深度学习模型对于活动间语义信息和空间结构信息挖掘不充分的问题以及在预测活动后缀和剩余处理时间上预测准确度不高的问题,本文提出了一种基于多头注意力LSTM的对抗网络模型。本文的主要研究工作如下:（1）针对现有后缀和剩余时间预测模型对于活动间语义信息和空间结构信息挖掘不充分的问题,本文提出一种基于多头注意力LSTM的编码-解码架构,对时序数据特征进行深度提取,更好地捕捉跨时间事件间的依赖关系。（2）针对现有后缀和剩余时间预测模型预测准确度不高的问题,本文受GANs的启发,本文提出基于多头注意力LSTM的对抗网络模型,将生成器和判别器进行对抗,从而得出与真实情况无法区分的预测。进而提高活动后缀和剩余处理时间预测的准确度。该方法最坏情况下的预测准确度至少和非对抗环境下的一致。（3）为验证多头注意力LSTM对抗网络模型对预测的准确度,本文在四个公开数据集上进行实验,通过Damerau-Levenstein距离和平均绝对误差（MAE）分别对活动后缀预测和剩余处理时间预测的实验结果进行评估,并与基线比较。实验结果表明本文提出的方法相比于基线模型提高了预测准确度,并且该方法更具健壮性,因为其不受前缀长度波动的影响,更具适用性。