随着信息技术的不断发展,数字化改革已逐渐成为提高企业效能的重要举措。业务流程作为数字化转型的重要载体,目前已在办公自动化、制造工艺、应急救援、金融保险等领域被广泛应用。现如今,越来越多的企业根据自身的业务规则都建立了服务企业运营生产的流程管理系统,并且这些系统每时每刻都产生着大量的日志数据。通过分析这些数据可以为企业业务优化、管理决策等提供有效支持。例如,通过分析日志数据预测正在执行的流程实例的结果、活动、时间等信息,可以实现流程实例的动态监控、超时预警以及任务提醒督办等功能。然而,在现有的预测性业务流程监控方法研究中,流程任务预测效果较差经常导致预测指标无法为流程管理决策提供参考价值。为了提高流程相关信息的预测效果,本文构建了两种网络模型分别对流程实例运行结果、流程实例下一个活动及时间属性进行预测,进一步提高各任务的预测效果。（1）本文提出了一种基于长短期记忆的生成式对抗网络（WGAN-LSTM）模型对流程实例运行结果预测任务进行建模。该模型以WGAN为基础,将其内部的生成器模块和判别器模块分别采用LSTM网络进行构建,同时结合了WGAN的生成对抗特点以及LSTM擅长捕捉流程轨迹活动序列中的长期依赖特点,利用生成器输出预测结果标签,然后将其与真实结果标签输入判别器判别,模型训练通过生成器和判别器的交叉迭代训练进行,待训练结束后,生成器能够生成符合真实情况的预测结果标签。实验通过在10个细分的公开且真实的日志数据集上训练测试,结果表明,本文提出的方法与现有的预测流程实例运行结果方法相比,其平均预测准确率比现有最新的研究方法提高了3%、并且早期性及稳定性都优于现有的研究方法。（2）本文提出了一种基于R-Transformer网络的模型框架对预测流程实例下一个活动及时间属性相关任务进行建模分析。预测流程实例下一个活动及时间属性任务细分为预测流程实例下一个活动、预测流程实例下一个活动时间戳以及预测流程实例剩余执行时间三个子任务,本文利用R-Transformer模型分别对这三个任务独立预测,该模型结合了RNN和Transformer的优点,同时又规避了二者的缺点。具体来说,该模型摒弃了位置编码,利用多个结构相同的RNN分别对流程轨迹活动序列中固定长度的活动短序列单独处理,多个独立的RNN既实现了输入的并行处理,又弥补了位置编码在序列建模上效果不理想的缺陷。同时,RNN擅长捕捉序列中短期依赖的特点,又解决了Transformer中多头注意力机制经常忽略流程活动序列短期依赖的缺陷,使得R-Transformer模型中的多头注意力机制只负责捕捉活动序列中的长期依赖关系。实验通过在4个公开且真实的数据集上对三个预测任务单独训练测试,并与现有的研究方法进行对比,结果表明,本文提出的方法与现有方法在时间性能相当的情况下,预测流程实例下一活动的平均预测准确率比最新研究方法提高了2%,流程实例下一个活动时间戳及流程实例剩余执行时间的MAE分别比最新研究方法降低了0.55（天）和3.63（天）。通过上述研究,本文进一步提高了流程实例运行结果、流程实例下一个活动及时间属性的预测效果,为实现流程的动态监控、超时预警以及任务督办提醒等功能提供有效支撑。