在Pyspark中，可以使用SurvivalRegression类中的fit方法来训练AFT（Accelerated Failure Time）生存模型，并使用predict方法来获得生存概率的预测值。

以下是一个使用Pyspark中AFT生存模型的示例代码：

from pyspark.ml.regression import AFTSurvivalRegression
from pyspark.ml.linalg import Vectors
from pyspark.sql import SparkSession

# 创建SparkSession
spark = SparkSession.builder.appName("AFT Survival Model").getOrCreate()

# 创建示例数据
training = spark.createDataFrame([
    (1.218, 1.0, Vectors.dense(1.560, -0.605)),
    (2.949, 0.0, Vectors.dense(0.346, 2.158)),
    (3.627, 0.0, Vectors.dense(1.380, 0.231)),
    (0.273, 1.0, Vectors.dense(0.520, 1.151)),
    (4.199, 0.0, Vectors.dense(0.795, -0.226))
], ["label", "censor", "features"])

# 创建AFT生存模型
aft = AFTSurvivalRegression(featuresCol="features", labelCol="label", censorCol="censor")

# 训练AFT生存模型
model = aft.fit(training)

# 创建测试数据
test = spark.createDataFrame([
    (Vectors.dense(1.560, -0.605)),
    (Vectors.dense(0.346, 2.158)),
    (Vectors.dense(1.380, 0.231)),
    (Vectors.dense(0.520, 1.151)),
    (Vectors.dense(0.795, -0.226))
], ["features"])

# 预测测试数据的生存概率
predictions = model.transform(test)

# 显示预测结果
predictions.select("features", "prediction").show()

输出结果会显示每个测试样本的特征值和对应的预测生存概率。

注意：上述示例中的数据是虚构的，实际应用中需要根据具体数据进行修改。