随着开源代码库以及版本控制系统的不断发展,许多分布式版本控制系统出现在大家的视野中,Github凭借其拥有众多的开源项目,成为了最受欢迎的平台,拥有超过900万开发者用户。其功能也在不断的发展,例如issue、持续集成功能。Pull-Request(PR)是Github中开发人员进行代码贡献的主要方法,开发人员通过申请PR,请求将自己的代码合并到项目的主分支中。然而,不可能所有人提交的代码都是完美的,都会存在或多或少的问题。因此,代码审查作为PR中的一项活动显得至关重要。代码审查是让审查人员找出开发人员提交代码中的不足,但代码审查需要由人工来完成,开发人员所提交代码的质量以及审查人员的专业程度都会影响到审查所需要的时间,耗时过长的代码审查会影响到整个项目的开发进展。目前有一些研究人员考虑了PR中的诸多初始属性,例如PR创建时间和内容修改量等,他们将这些初始属性作为其构建预测模型的输入属性,来预测审查的持续时间。然而这些方法仅仅考虑了初始属性,忽略了PR生命周期中发生一系列活动的时间性质。本文中,提出了一种使用隐马尔可夫模型(HMM)和开发人员活动的时间序列的新方法,考虑了开发人员活动的时间顺序,提取出PR中的关键活动组成关键活动序列,使用HMM来对序列进行分类。首先本文获取到一个PR的完整活动历史,然后通过进一步的数据筛选,找到其中的关键活动;另外本文还考虑了部分的初始属性,例如commit数和人员经验程度等,将这些初始属性与关键活动相结合,并按其发生的时间顺序排列,构成关键活动序列。然后我们将活动序列按其持续时间中位数分为两类,并训练了两个HMM;通过比较新序列在两个HMM中出现的概率来推断该PR最终的持续时间。此外,我们还复现了其他研究人员使用的预测方式,提取诸多初始属性,使用梯度提升模型(GB)来预测PR持续时间。最后,本文基于这两种预测方式,在Git Hub上选取了五个开源项目进行实验,其结果表明本文提出的模型预测准确率在70%左右,F-measure也达到75%左右,最高达到了82%;在使用GB模型进行预测实验后,将结果进行比较,HMM的各项指标都要略高一些;结果表明,该方法可以有效的在早期识别并预测待审查PR的持续时间。