动态网络时间片划分方法对社区演化分析结果的准确性具有重要影响,但社区随时间及网络拓扑改变呈现非线性的变化,现有均匀时间片划分以及基于网络拓扑改变量的非均匀时间片划分方法在捕捉社区演化事件方面均效果不佳。为此,提出一种基于社区改变量估计的非均匀时间片划分方法,其中社区改变量通过变化后网络期望达到的社区模块度与直接应用网络变化前的社区发现结果获得的社区模块度之差来定量描述。首先,基于时间序列分析建立社区模块度预测模型;其次,使用该模型预测变化后网络期望达到的社区模块度,并求得社区改变量的估计值;最后,当该估计值超过预先设置的阈值时即生成一个新的时间片。在两个真实网络数据集上的实验结果显示,相较于传统的均匀时间片划分方法和基于网络拓扑改变量的非均匀时间片划分方法,所提方法在动态网络数据集Arxiv HEP-PH上的识别社区消失事件方面分别提早1.10 d和1.30 d,识别社区形成事件方面分别提早8.34 d和3.34 d,识别出的社区缩小、扩大事件总数分别增加10个和1个;在Sx-MathOverflow数据集上的识别社区消失事件方面分别提早3.30 d和1.80 d,识别社区形成事件方面分别提早6.41 d和2.97 d,识别出的社区缩小、扩大事件总数分别增加15个和7个。