如果能設計一種方式，實現圖結構適應學習過程中，能夠學到圖結構，可以顯著提升模型整體計算效率，同時讓學習到圖結構含義明確。
ASTGNN中引入性，文中採用了Mask方法。
來説，模型圖適應學習模塊同時學習兩個矩陣，一個是圖結構鄰接矩陣A，另一個是mask矩陣M，二者尺寸。
將使用基於深度學習時間序列預測模型來預測時空立方體每個位置值，該模型使用訓練時間序列預測模型工具進行訓練。
損失函數整體形式如下：其中，第一項L表示時空預測損失，使用圖結構是A和Melement-wise product，剪枝後臨接矩陣。
第二項是一個化項，要求M矩陣儘可能，即滿足性約束。
M矩陣學習方式是直接節點embedding和一個全連接進行擬合。
文中基於提出化方法進行了實驗，實驗結果發現：程度達到99%以上，inference階段test acc沒有太大影響。
是完全化，即完全空間信息，退化時間序列建模，test acc會下降很多。
但是如果訓練階段進行完全化，會讓模型效果下降。
將使用基於深度學習時間序列預測模型來預測時空立方體每個位置值，該模型使用訓練時間序列預測模型工具進行訓練。
輸入是 Esri 模型定義文件 (.emd) 或深度學習包文件 (.dlpk)，可使用訓練時間序列預測模型工具進行創建。
該工具將使用基於深度學習時間序列預測模型。
深度學習模型具有學習能力，適用於遵循複雜趨勢並且使用數學函數進行建模時間序列。
然而，它們需要大量訓練數據來學習此類複雜趨勢，並使用計算資源進行訓練和推斷。
建議使用 GPU 來運行此工具。
要使用 GPU 運行此工具，請處理器類型環境設置為 GPU。
netCDF 立方體包含於預測未來時間步長變量。
延伸閱讀…
該工具將使用單一全球預測模型，該模型來每個位置時間序列數據進行訓練。
輸出要素參數值添加到內容窗格中，並基於保存最佳模型預測時間步長進行渲染。
該工具會創建地理處理消息和彈出圖表，於瞭解和可視化預測結果。
這些消息將包含有關時空立方體結構以及 RMSE 值彙總統計數據信息。
可以使用瀏覽導航工具單擊要素彈出窗格中顯示一個折線圖，圖中會顯示該時空立方體值以及該位置擬合值和預測值。
有關運行此工具要求以及您可能遇到問題信息，請參閲深度學習問題解答。
netCDF 立方體包含於預測未來時間步長變量。
延伸閱讀…
此文件具有 .nc 文件擴展名，並且使用通過聚合點創建時空立方體、通過義位置創建時空立方體或通過多維柵格圖層創建時空立方體工具進行創建。
時空立方體中所有位置輸出要素類，其中預測值存儲為字段。
該圖層顯示後時間步長預測，並包含彈出圖表，其中顯示了每個位置時間序列和預測。
一個數，指定於預測分析變量時間步長數。
默認值為 2。
於預測，該值不能超過輸入時空立方體中總時間步數 50％；於多步預測，該值不能超過訓練時間序列預測模型工具中序列長度參數值 50％。
字段名稱預測集到訓練集映射。
如果訓練集和預測集字段名稱，請使用此參數。
值為預測數據集中輸入時間序列數據中字段名稱相匹配字段名稱。