本文提出了一种新的物理编码离散学习框架，用于从稀缺噪声数据中发现时空偏微分方程（PDE）。该方法结合深度卷积-循环网络和稀疏回归，验证了在高噪声数据处理中的有效性。同时，引入物理信息准则（PIC）评估PDE的简洁性和精确性，促进对物理过程的理解。

SSDL是一种新算法，使用深度神经网络处理大规模空间-时间轨迹数据，通过离散学习提取时间不变和时间变化因素，解决POI预测问题。实验结果显示，SSDL在ACC@1上表现优于其他方法，提高了8.57%。