信息系统在业务运行的过程中记录了大量的事件日志数据,包括低价值、冗余的数据,若对这些日志直接做预测,会降低预测的效率。如何化简和压缩这些数据的同时保存有效价值一直是研究者们探讨的问题,现有的方法大多是从数据维度的角度考虑,通过删除冗余和不相关的特征进行降维。也有模型驱动角度,用模型简化规则来减少模型参数,将原始的数据集转换为新的简化数据集的同时保证一些有效价值。但其考虑更多的是结构化简,探讨结构和事件日志化简之间关系的较少。本文先提出了针对剩余时间预测过程的事件日志化简方法,主要是利用过程模型子结构的化简,生成不同简化子结构对应的事件日志数据。在此基础上,根据给定性能预算,对不同子结构的简化后日志数据引入预测性能误差,得到预测性能和化简结构的均衡最优解,最终得到简化后的事件日志。实验表明,简化后事件日志不仅保持了预测效能,在有些场景,甚至比原始事件日志的预测精度要有所提升。随后,本文针对下一重要事件的预测过程提出了化简方法,主要过程与针对剩余时间预测的事件日志化简方法相似,但是由于预测目标的不同,本文所提出的具体的算法略有不同。实验表明该方法有效减少了原始事件日志的数据量,且简化后的事件日志的预测性能与原始事件日志预测性能基本保持平衡。文章最后抽象化出了一种针对预测过程的事件日志化简框架。同时,由于数据的采集是化简工作开展的前提,本文还提出了一种采集数据的方法,通过传感器设备和软件应用程序收集人体的一些生理信息,并生成事件日志。上述的化简框架被应用在这些事件日志的处理和分析中。本文所提出的方法实现了从结构模型层面对事件日志的化简,保证了减少数据量的同时还尽可能的维持预测精度,为后续其他相关工作的开展奠定了基础。