| 方法类别 | 贝叶斯时空统计模型 | 模型优点 | 模型缺点 | |
|---|---|---|---|---|
| 传统统计模型 | 时空演化规律分析类 | 贝叶斯时空演化层次模型 (BSTEHM) | 可以捕捉总体和局部时空演化趋势 | 无法揭示时空影响机制 |
| 全局时空影响机制建模类 | 贝叶斯时空回归层次模型 (BSTRHM) | 可估计总体时空影响关系，解释性强 | 假设影响关系时空同质，不能捕捉时空异质性 | |
| 贝叶斯空间面板数据模型 (BSPDM) | 同时考虑时空动态效应，适合面板数据 | 假设影响关系时空同质，无法刻画局部时空差异 | ||
| 异质性时空局部建模类 | 贝叶斯时空地理加权回归 模型 (BSTGWR) | 强调局部时空异质性，灵活捕捉局部 时空差异 | 对空间权重敏感，存在边界效应，计算量较大 | |
| 贝叶斯时空变系数模型 (BSTVCM) | 时空动态参数变化灵活，体现局部 异质性 | 参数多且复杂，易过拟合，计算量较大 | ||
| 连续时空过程分析类 | 贝叶斯网格化时空高斯过 程模型 (BSTMGP) | 连续时空分析能力强，擅长分析大规模 时空数据 | 计算复杂度较高，实际应用受限 | |
| 机器学习模型 | 时空因果 推断类 | 贝叶斯时空因果森林模型 (BSTCFM) | 能有效识别高维复杂数据中的因果机制 | 模型结构复杂，参数解释与计算负担较高 |
| 时空深度 学习类 | 贝叶斯时空神经网络模型 (BSTNN) | 对非线性、高维时空依赖结构建模优势 明显；泛化能力强 | 参数规模大，计算负担重，解释性弱 | |
| 时空图学习类 | 贝叶斯时空图卷积神经网 络模型 (BSTGCNN) | 可捕捉复杂网络结构中时空交互效应， 图结构数据适应性极强 | 模型复杂度高，需较多计算资源，训练数据需求大 | |
