随着数据挖掘和机器学习技术的发展,我们可以从历史数据中获得很多有用的信息。对于业务流程系统来说,它维护着大量与流程活动执行相关的数据,特别是与活动执行相对应的事件记录,也可以称为事件日志。预测性流程监控技术就是通过分析流程的历史执行数据,从中建立预测模型,来对当前的流程实例进行预测和推荐。本文提出了一种对运行的流程实例执行结果进行预测的方法。这里的执行结果是指流程实例执行完成后是否能达到制定的业务目标。该方法通过分析事件日志中的控制流数据和业务数据,使用聚类-分类算法生成模型,在流程实例执行之前建立一组决策树,在运行时,只要识别出与该流程实例相似的聚类,然后使用该实例的业务数据查询聚类对应的决策树,就能给出预测和推荐结果。与现有流程结果预测方法相比,该方法在预处理阶段建立所需的预测模型,在运行时直接使用预建的模型,显著的减少了现有方法在运行时的时间开销;同时该方法细化了聚类阶段的处理过程,将控制流数据和业务数据结合起来克服了现有方法对结构差异较大的流程模型的敏感性,提高了聚类分析阶段的准确性。本文首先介绍了流程挖掘、预测性流程监控、聚类和决策树等相关技术,通过对比现有流程执行结果的预测方法,提出了本文的预测框架,并给出框架中每一个步骤的实现方案,包括历史路径的编码,业务目标的表示、预测模型的生成和如何使用预测模型进行预测和推荐。接着,本文设计了推荐服务系统的总体框架,并对日志预处理模块、编码模块和模型生成和预测模块进行了设计与实现,最后,通过两个真实的事件日志对本系统的功能进行测试,并对预测结果的质量和时间效率进行了评估,验证了本文提出的预测框架的优势。