本文综述了连续时空数据驱动建模的最新进展，涵盖算子学习建模框架、偏微分方程与神经网络结合方法、LSTM压力场预测、网格无关的潜在神经PDE模型、不规则采样时空过程的深度学习预测、机器学习连续形式、从分子模拟自动发现连续体模型、基于图的Transformer时序预测以及DINo隐式神经表示方法。这些方法在长期模拟稳定性、泛化性、可解释性及处理稀疏不规则数据方面表现优越。