移动互联技术的普及使得用户生成内容(User Generated Content,UGC)近年来发展迅速,实现了各个领域各个方向的覆盖。在此背景下,用户原创内容的载体——在线UGC社区也不断演变发展趋向成熟。在线问答社区是伴随UGC模式由传统问答平台演变而来的一种新型在线社区,是一种典型的UGC衍生应用。对于在线问答社区而言,UGC内容发布行为是社区用户活跃的直接体现与表征。分析挖掘社区用户活跃规律、激励用户创作UGC内容对于平台运营举足轻重。评估与预测用户UGC发布内容的数量与质量是辅助社区运营管理的关键工作之一。本文的研究旨在构建一种相对更优的预测策略,提高预测的效率与精度。本文建立了基于时间序列的UGC数量预测模型,并利用大型在线问答社区知乎中的部分用户数据进行了测试,获得了较高的预测精度。首先,本文根据UGC数量预测问题本身的特点,从理论层面与应用层面分析了预测策略的适用性与局限性,并选取了时间序列方法作为主要预测手段。同时,本文通过分析在线问答社区的特征并结合过去的研究结果,把在线问答社区用户的UGC内容产出归结为一种知识贡献行为。在总结过去通过隐马尔科夫模型模拟知识贡献意愿的研究的基础上,本文提出使用隐马尔科夫模型挖掘此类时间序列的更多特征预测UGC发布数量。最后,本文结合将时间序列转化为监督序列的思想,利用非线性集成学习模型XGBoost预测UGC发布数量。与传统时间序列分析方法(差分自回归移动平均模型)的预测结果进行对比,本文提出的方法获得了预测精度和效率的提升。