Page 378 - 《软件学报》2026年第3期

孙杰 等: 时序数据域自适应的时空卷积与对抗互学习 1341

discriminator-based collaborative adversarial learning through domain classification loss and operation order prediction loss. This effectively
reduces data distribution discrepancies between source and target domains, improving the model’s domain adaptability. Empirical results on
three public human activity recognition datasets (Opportunity, WISDM, and HHAR) demonstrate that TPN improves accuracy and F1 by
up to 6% compared to existing methods, with fewer parameters and shorter runtime. In-depth ablation and visualization experiments further
validate the effectiveness of TPAM and EAP, showing TPN’s strong performance in feature extraction and domain alignment.
Key words: time series domain adaptation; temporal pattern activation module (TPAM); enhanced adversarial paradigm (EAP)

时序数据是一种常见的数据类型, 它指的是按照时间顺序排列的数据序列, 如股票价格、心电图、语音信号
等. 时序数据具有丰富的时域和空域信息, 能够反映数据的动态变化和内在规律, 因此在各个领域都有着广泛的应
用, 如金融分析、医疗诊断、语音识别等 [1,2] .
时序数据的分析和挖掘是一项重要的研究课题, 其中一个典型的任务是时序数据的分类, 即根据时序数据的
特征, 将其划分为不同的类别, 如根据心电图数据判断心脏病的类型, 根据语音信号识别说话人的身份等. 时序数
据的分类任务通常需要大量的标注数据来训练分类模型, 然而, 在实际应用中, 标注数据往往是稀缺的、昂贵的或
不可用的, 这给时序数据的分类带来了很大的挑战 [3] .
为了解决标注数据不足的问题, 一种常用的方法是利用迁移学习的思想, 即利用一个或多个已有的标注数据
集 (源域) 来辅助另一个缺少标注数据的数据集 (目标域) 的分类任务, 这称为时序数据的域自适应. 时序数据的域
自适应的核心问题是如何解决不同域之间的数据分布偏移, 即源域和目标域的数据分布不一致, 导致分类模型在
目标域上的性能下降. 数据分布偏移的原因可能有很多, 如数据采集的设备、环境、参数等的差异, 或者数据本身
的复杂性和多样性等 [4,5] .
为了减轻或消除数据分布偏移, 目前已有很多时序数据的域自适应方法被提出, 主要可以分为两类: 基于特征
对齐的方法和基于模型对齐的方法. 基于特征对齐的方法的思想是通过一些变换或映射, 将源域和目标域的数据
映射到一个共同的特征空间, 使得不同域的数据分布更加接近, 从而提高分类模型的泛化能力. 例如, CALDA 利
[6]
用对抗学习来调整源和目标特征表征, 从而实现特征对齐. 基于模型对齐的方法的思想是通过一些正则化或约束,
使得分类模型在源域和目标域上的输出更加一致, 从而提高分类模型的适应能力. 例如, 对抗神经网络 (adversarial
neural network, ANN) [7,8] 是一种基于模型对齐的方法, 它使用一个对抗判别器来区分源域和目标域的数据, 同时使
用一个分类器来优化分类任务, 通过对抗训练的方式, 使得分类器在源域和目标域上的输出更加相似, 从而实现模
型对齐.
尽管已有的时序数据的域自适应方法取得了一定的效果, 但是仍然存在一些不足之处, 主要有以下两个方面:
一是已有的方法没有充分考虑时序数据的时域和空域特征, 而是将时序数据作为静态数据来处理, 忽略了时序数
据的动态性和依赖性, 导致特征提取的不充分和不准确; 二是已有的方法没有充分利用时序数据的多维特征, 如频
域特征、相位特征等, 而是只使用时序数据的一维特征, 忽略了时序数据的复杂性和多样性, 导致特征对齐的不完
善和不稳定 [9] .
为了解决上述问题, 本文提出了一种基于时序模式激活模块 (temporal pattern activation module, TPAM) 和增
强对抗范式 (enhanced adversarial paradigm, EAP) 的时序数据域自适应方法 (TPN), 用于解决时序数据在不同域之
间的分布偏移问题. 本文的主要思想是利用时空卷积网络 [10,11] 和对抗生成网络 [8,12] , 分别从时序和域两个方面提高
下游任务的性能. 其中, TPAM 模块旨在通过时空卷积网络提取更具判别性和适应性的时序模式特征, 以减小域间
的特征差异, 从而实现特征对齐. 而 EAP 则利用对抗生成网络, 通过域分类损失和操作顺序预测损失, 增强生成器
和判别器的协同对抗能力, 促使模型在源域和目标域上输出一致, 实现模型对齐. 本文的主要贡献和创新点如下.
(1) 提出了时序模式激活模块 (TPAM), 能够自动地从时序数据中提取出具有判别能力和适应能力的时序模式
特征, 有效地增强了时序建模网络的性能.
(2) 提出了增强对抗范式 (EAP), 能够利用域分类损失和操作顺序预测损失, 增强生成器和判别器的协同对抗
能力, 有效地减少了源域和目标域之间的数据分布偏移.
(3) 在 3 个公开的人体活动识别数据集上进行了广泛的实验, 验证了本文方法的有效性和优越性, 与其他对比