1.基于长短期记忆的生成式对抗网络模型建模分析方法，其特征在于，包括以下步骤：步骤1，待预测流程实例已经执行的事件信息进行数据预处理；

步骤2，将步骤1中的数据输入GAN‑LSTM模型中进行训练，得到预测模型M；

子步骤2‑1，从步骤1的数据中获取流程轨迹前缀和对应结果标签的向量；

子步骤2‑2，利用生成器生成轨迹前缀对应的预测标签ok；

所述的生成器的训练过程表述为公式：

zk＝G(xk)

其中，zk表示预测的流程结果标签，xk表示输入的第k条轨迹前缀；

生成器的损失函数定义如下所示：

lossG＝‑D(zk)+λ(xklogzk+(1‑xk)log(1‑zk))其中，λ为网络超参数，其作用是调整预测损失和对抗损失在网络训练过程中的作用比例，zk表示利用生成器构建的伪样本，xk表示来自真实数据集的样本；通过最小化lossG，在减少预测损失的同时能够最大化D(zk)，使得判别器将生成器生成的数据判别的更加真实；

子步骤2‑3，将流程轨迹前缀和预测标签组成伪前缀，将流程轨迹前缀和真实标签组成真实前缀，均输入判别器；

所述的判别器的损失函数，具体公式如下：

lossD＝‑D(x)+D(z)

其中，x和z分别代表来自真实数据集和来自生成器生成的预测数据集的数据，判别器的优化通过最小化lossD来实现，即在通过最大化D(x)的同时能够最小化D(z)；

子步骤2‑4，判别器输出真假程度；

步骤3，将正在执行的待预测流程实例输入到预测模型M中，预测出该条待预测流程实例对应的结果标签。

2.根据权利要求1所述的基于长短期记忆的生成式对抗网络模型建模分析方法，其特征在于，所述的生成器由LSTM网络构成，包括：输入层、编码层、隐藏层和输出层；

输入层用于输入流程轨迹前缀σ＝；

编码层用于将流程轨迹序列根据编码算法转换成特征向量；

隐藏层用于将轨迹前缀中的每个事件活动编码构成的序列X＝作为该层的输入节点，根据第i个输入的活动xi和第i‑1个活动的隐藏层输出hi‑1，得到第i个输入活动对应的输出hi，从而得到隐藏层输出h1，h2，...，hk；

输出层是将上一层得到的轨迹前缀σ中所有事件的特征向量O＝[o1，o2，...，ok]输入sigmoid分类函数得到预测的分类结果z，在该层通过使用非线性变换将特征向量映射为输出结果类型长度的向量，然后通过sigmoid函数计算对应输出标签类别的概率。

3.根据权利要求2所述的基于长短期记忆的生成式对抗网络模型建模分析方法，其特征在于，所述的隐藏层包括若干个记忆单元c，单个记忆单元c含有：输入门ii决定哪些信息可以流入记忆单元中，

遗忘门fi决定哪些信息被忘记，

输出门oi决定哪些信息从记忆单元中输出；

对于记忆单元设hi和ci‑1是活动ei‑1的隐藏层输出和单元状态，通过以下公式计算流程轨迹前缀σ对应输出结果类别的概率：其中，gi代表更新的候选信息，ci为更新后新的状态， Wg、 和Wc代表权重矩阵，bf、bi、bo，bc为偏移量；z代表该流程实例的结果预测为正样本类型的概率。