为进一步帮助企业在开展流程控制和传递高质量服务的过程中规避风险，流程预测通过对正在运行实例的针对性分析，能够有效地预测出实例在接下来一段时间内可能发生的各种行为状态。
流程预测为流程模型的构建提供了一种可配置方法，通过在早期实例中学习到的信息，实现对流程模型的扩充，进而在增强模型的同时，完成预测任务。此外，为防止“过拟合”和“欠拟合”现象的出现，在流程模型中引入了可配置抽象的概念，提升了流程预测的意义及重要性。
以贷款案例为例：当客户向贷款机构询问有关贷款业务信息时，倘若为客户提供一个预估计的剩余处理时间，不仅可以安抚客户因等待时间过长而导致的焦躁情绪，并且还可以在一定程度上提高贷款机构整体服务质量，提升客户的满意度。
诸如此例，其余流程预测任务包含以下几类：
业务需要多久完成？会不会延期？会是什么结果？（对应剩余时间预测、风险预测、结果预测）
业务的下一步骤是什么？何时开始？谁来执行？（对应下一事件预测、下一事件时间预测、资源预测）
业务的后续步骤是什么？（对应后缀预测）
业务的预计开销？（对应成本预测）
业务的最终结果？（对应结果预测）
流程感知预测方法
基于流程感知的预测方法是利用事件日志中发现的模型进行流程预测。其中，最典型的方法是Wil教授提出的带标记变迁系统，是一种业务流程剩余时间预测方法。它主要是通过在事件日志中挖掘的变迁系统模型以记录实例所有可能的状态，并在每个状态上标记时间信息，进而预测正在执行实例的剩余时间，下图为一个变迁系统的图例。
非流程感知预测方法
基于非流程感知的预测方法是通过机器学习技术进行流程预测。而随着事件日志中数据质量和数量的不断提升，深度学习模型也得到了广泛的应用。相比流程感知方法，深度学习技术显著的提升了预测准确率。其中，最具有代表性的工作是Tax等人提出的基于LSTM的流程预测方法。
流程预测是一项通过历史信息构建模型并对正在执行实例的未来信息进行预测的技术，它不仅可以提供更优质和贴心的服务，而且还能避免业务延时等情况的发生。如何进一步提高流程预测的准确率、更好的应用在真实场景之中，需要科研人员和企业共同的努力。
