El método convencional basado en aprendizaje automático para la predicción del número de reposteos de microblogs se centra principalmente en la extracción y representación de características estáticas de los microblogs fuente, como atributos de usuario y atributos de contenido, sin tener en cuenta el problema de que la red de propagación de microblogs es dinámica. Además, descuida características dinámicas como el cambio del fondo espacial y temporal en el proceso de propagación de microblogs, lo que conduce a una descripción inexacta de las características del microblog, lo que reduce el rendimiento de la predicción. En este documento, contribuimos al estudio de las tendencias de propagación de microblogs y proponemos un nuevo método de presentación de características de microblogs y predicción dependiente del tiempo basado en características de grupo, utilizando un número de reposteos que refleja la escala de reposteo de microblogs para describir cuantitativamente el efecto de propagación y tendencias del microblog. Extraemos algunas características dinámicas creadas en el proceso de propagación y desarrollo de microblogs, y las incorporamos con algunas características estáticas tradicionales como características de grupo para hacer una presentación más precisa de las características del microblog que una investigación tradicional basada en aprendizaje automático. Posteriormente, basándonos en las características de grupo, construimos un modelo dependiente del tiempo con la red LSTM para aprender más sobre sus características ocultas y características temporales, y finalmente llevar a cabo la predicción de las tendencias de propagación de microblogs. Los resultados experimentales muestran que nuestro enfoque tiene un mejor rendimiento que los métodos de vanguardia.