Page 377 - 《软件学报》2026年第3期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(3):1340−1356 [doi: 10.13328/j.cnki.jos.007430] [CSTR: 32375.14.jos.007430] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
时序数据域自适应的时空卷积与对抗互学习

孙 杰 1,2,3 , 李贳宸 2 , 陈仲珊 3 , 王小正 1 , 郑 豪 1 , 陈长伟 1 , 常合友 1

1
(南京晓庄学院 信息工程学院, 江苏 南京 211171)
2
(南京邮电大学 计算机学院, 江苏 南京 210023)
3
(南京特殊教育师范学院 数学与信息科学学院, 江苏 南京 210038)
通信作者: 孙杰, E-mail: jie.sun@njxzc.edu.cn

摘 要: 在时序数据分析领域, 跨域数据分布的偏移显著削弱了模型的泛化性能. 为此, 开发一种称为 TPN 的端到
端时序数据域自适应框架. 该框架融合了时序模式激活模块 (TPAM) 与 Transformer 编码器. TPAM 通过双层时空
卷积操作捕捉序列特征的空间及时间依赖性, 结合 Sigmoid 和 tanh 激活函数对提取的特征进行非线性融合, 再经
由线性投影恢复至原通道尺寸, 以此强化模型的时序特征提取能力. TPN 还引入了增强对抗范式 (EAP), 通过域分
类损失和操作顺序预测损失, 增强生成器与判别器的协同对抗, 有效缩减源域与目标域间的数据分布差距, 提升模
型的域适应性. 在 Opportunity、WISDM 及 HHAR 这 3 大公开人体活动识别数据集上的实证结果显示, TPN 在准
确率和 F1 值方面较现有方法最高提升了 6%, 且参数量和运行时间较少. 深入的消融与可视化实验进一步验证了
TPAM 和 EAP 的有效性, 表明 TPN 在特征抽取与域对齐上具有良好表现.
关键词: 时序数据域自适应; 时序模式激活模块; 增强对抗范式
中图法分类号: TP18

中文引用格式: 孙杰, 李贳宸, 陈仲珊, 王小正, 郑豪, 陈长伟, 常合友. 时序数据域自适应的时空卷积与对抗互学习. 软件学报,
2026, 37(3): 1340–1356. http://www.jos.org.cn/1000-9825/7430.htm
英文引用格式: Sun J, Li SC, Chen ZS, Wang XZ, Zheng H, Chen CW, Chang HY. Temporal-spatial Convolution and Adversarial
Mutual Learning for Time Series Domain Adaptation. Ruan Jian Xue Bao/Journal of Software, 2026, 37(3): 1340–1356 (in Chinese). http://
www.jos.org.cn/1000-9825/7430.htm

Temporal-spatial Convolution and Adversarial Mutual Learning for Time Series Domain
Adaptation
2
1
1
1
3
SUN Jie 1,2,3 , LI Shi-Chen , CHEN Zhong-Shan , WANG Xiao-Zheng , ZHENG Hao , CHEN Chang-Wei ,
CHANG He-You 1
1
(School of Information Engineering, Nanjing Xiaozhuang University, Nanjing 211171, China)
2
(School of Computer Science, Nanjing University of Posts and Telecommunications, Nanjing 210023, China)
3
(School of Mathematics and Information Science, Nanjing Normal University of Special Education, Nanjing 210038, China)
Abstract: In the field of time series data analysis, cross-domain data distribution shifts significantly weaken model generalization
performance. To address this, an end-to-end time series domain adaptation framework, called TPN, is developed. This framework
creatively integrates a temporal pattern activation module (TPAM) with a Transformer encoder. TPAM captures spatial and temporal
dependencies of sequence features through dual-layer spatio-temporal convolution operations, combines Sigmoid and Tanh activation
functions for the non-linear fusion of extracted features, and restores the original channel dimensions via linear projection, thus enhancing
the model’s ability to extract temporal features. TPN also introduces an enhanced adversarial paradigm (EAP), which strengthens generator-

* 基金项目: 国家自然科学基金 (62177028); 江苏省教育科学“十四五”重点课题 (B-b/2024/01/145); 江苏省高等教育学会重点课题
(2024CXJG029); 江苏省高等学校自然科学研究面上项目 (22KJD520005)
收稿时间: 2024-08-05; 修改时间: 2024-10-29, 2025-01-03, 2025-03-12; 采用时间: 2025-03-18; jos 在线出版时间: 2025-07-09
CNKI 网络首发时间: 2025-07-10