引自中山大学的一篇博士学位论文，感觉这种分类并不科学，不是建立在同一个分类标准和逻辑层面上，特别是一些局部引入的改进方法，就可以称为一种新的时空模型？
另外时空点模式的方法和这上面所讲的方法有什么本质差异，为什么同样采用的是离散的时空点观测数据，研究方法就有差异呢？这些方法和gis中时空模型（如什么立方体、面向对象）的关系是怎样的？

将时空模型按照实现方法的不同进行分类，大致分为：
时空动力学方法、时空回归统计学方法、时空地统计学方法、时空插值方法、状态空间和随机理论方法、卡尔曼滤波方法、层次贝叶斯方法、智能计算方法和时空数据挖掘方法。
时空动力学方法
首先在掌握时空过程的机制和主导因素的基础上，建立动力学模型，然后充分考察事件的空间和时间特征，对事件的时间变化及空间分布的影响展开分析和模拟，
如传染病时空传播模型SSIR和热传播抛物线方程，这些方程可以被用来预测和模拟各种环境或控制下研究对象个例的分布情景(王劲峰2006)。
时空动力学方法的缺点是当时空过程的机制和主导因素不甚清楚时，无法进行建模。
时空回归统计方法
又叫时空序列建模方法，首先对已知的时空序列观测样本数据建立时空回归一自回归函数，得到时空序列观测样本数据的分布模型，然后使用时空序列数据分布模型估算未观测时空位置数据值(韩卫国等2007；周国法等1999；Pfeifer and Deutsch 1980a 1980b 1980c 1980d 1981a 1981b；Martin and Oeppen 1975；CliffandOrd 1975)。
时空白相关移动平均(STARMA)模型是典型的时空回归统计方法。由于STARMA模型充分考虑了时空白相关性等地理时空序列数据的特征，所以STARMA较适合于分析和处理地理时空数据。
时空插值法方法
又可分为约减和扩展法。约减法将时间维和空间维分开考虑，首先对每个样本点在时间维上建立内插函数，再将时间插值函数用于空间插值中，而得到时空插值结果。
扩展法将时间维和空间维统一考虑，将空间插值方法扩展到时空高维空间中进行插值的方法(Antonic et al 2001；Revesz and Li 2002)。但是空间内插方法不仅忽略了时空观测样本数据对插值结果的影响权重，而且空间样本数量的大小和观测时间的长短对时空插值结果的稳定性和准确性都会产生很大的波动。
时空地统计学方法(Space．time geostatistic)
即时空信息统计法，是将地统计学方法扩展并应用到时空领域中，
当空间样本数量较大，而观测时间相对较短时，时空Kriging方法的估计结果会产生奇异(Rouharfi and Myers 1990；侯景儒等1995；Buxton and Pate1996；Goovaerts 1997：Chiles and Delf'mer 1999)。
状态空间和随机理论方法
首先将时空观测样本映射到状态空间中，然后在状态空间中，使用随机理论构建状态转换或状态回归模型，进而使用转换或回归模型估计未观测时空位置的数值(Brown and Hwang 1993：grukle et al 2001)。这种方法较适于处理有较强时效性的时空数据。
卡尔曼滤波(Katman filter)
是也可以用于时空动态建模(GoodaH and Mardia,1994)。卡尔曼滤波方法是以最小均方误差作为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求当前时刻的估计值。
卡尔曼滤波是解决状态空间模型估计与预测的有力工具之一，它不需存储历史数据，能够进行实时的预测。但较适合于处理具有非常复杂的动态结构的时空数据(Huang and Cressie，1996)。
层次贝叶斯(Hierarchical bayes)
方法是运用贝叶斯统计进行的一种时空建模方法。层次贝叶斯统计不同于一般的统计方法，其不仅利用模型信息和数据信息，而且还能充分利用先验信息(岳文珍等，2002)。层次贝叶斯的缺点是很难描述数据的时空依赖关系和协方差结构(Stroud et a1．200D，很难准确地模拟出空间变异特征(Stroud et a1．2001)。
近年来，随着神经网络、支持向量机等智能计算方法被引入时空数据处理领域，该方法又可分为：
基于支持向量机的方法、基于Volterral系统的方法、基于神经网络的方法、基于滤波的方法、基于元胞自动机的方法和模糊逻辑等方法(张显峰等2001；徐薇等2004；Xia and Leung2006；黎夏等，2006；刘小平等，2007；Cheng and Wang 2007，2008；Wang andCheng 2007)。基于智能计算的时空建模方法是一个重要的研究方向。
时空数据挖掘方法