Page 379 - 《软件学报》2026年第3期

1342 软件学报 2026 年第 37 卷第 3 期

方法相比, 本文方法在准确率和 F1 值上都取得了提升, 同时具有较少的参数量和运行时间.
(4) 进行了消融实验和可视化实验, 分析了本文方法中的各个组成部分对最终结果的影响, 展示了本文方法在
特征提取和域对齐方面的效果.
本文第 1 节介绍时序数据分析和域自适应的相关方法和研究现状. 第 2 节介绍本文提出的时序数据域自适应
框架. 第 3 节介绍本文方法的实验结果及其分析. 最后总结全文.

1 相关工作

本文的工作结合了时序数据分析和域自适应两个方面的研究. 在这一部分, 我们将对这两个方面的相关工作
进行简要的回顾和分析.
1.1 时序数据分析
时序数据分析是指对随时间变化的数据进行处理、建模、预测和分类等操作的过程. 时序数据分析在许多领
域都有广泛的应用, 如气象学、医学、金融、工业、交通等. 由于时序数据具有高维、非线性、非平稳、多尺度、
多周期等特点, 时序数据分析面临着很多挑战.
为了有效地分析时序数据, 需要从数据中提取有意义的特征, 捕捉数据的时域和频域信息. 传统的时序数据
分析方法主要基于统计学和信号处理的理论, 如自回归模型 (AR)、移动平均模型 (MA)、自回归移动平均模型
(ARMA)、自回归积分滑动平均模型 (ARIMA)、小波变换 (WT)、傅里叶变换 (FT) 等 [1,13] . 这些方法虽然具有一
定的理论基础, 但是也存在一些局限性, 如参数选择困难、模型假设过强、泛化能力不足等 [14] .
近年来, 随着深度学习的发展, 许多基于神经网络的时序数据分析方法被提出, 如循环神经网络 (RNN) [15] 、长
短期记忆网络 (LSTM) [16] 、门控循环单元 (GRU) [17] 、变换器网络 (Transformer) [18,19] 等. 文献 [20] 提出了一种基于
迁移学习的时序数据域自适应方法, 该方法通过将源域的知识迁移到目标域, 提高了目标域的分类性能. Transformer
模型是一种基于自注意力机制的深度神经网络, 它在自然语言处理领域取得了巨大成功, 并逐渐被应用于时序数
据分析领域 [21,22] . 与循环神经网络 (RNN) 相比, Transformer 模型能够更好地捕捉长距离依赖关系, 并且更容易进
行并行计算.
然而, 现有的时序数据分析方法仍然存在一些不足. 首先, 大多数方法将时序数据视为静态数据, 忽略了其固
有的动态性和时间依赖性, 导致无法充分提取时序特征, 尤其是在处理具有复杂模式和长程相关性的数据时, 这一
缺陷尤为明显. 其次, 现有方法通常忽略了时序数据在不同域之间数据分布的显著差异, 这种差异源于环境、设备
或测量条件的变化, 导致特征对齐不充分, 影响了跨域模型的泛化能力和预测精度.
1.2 域自适应
域自适应是指在训练数据 (源域) 和测试数据 (目标域) 之间存在分布偏移的情况下, 利用目标域的无标签数
据, 提升模型在目标域的泛化能力的过程 [23,24] . 域自适应在许多领域都有重要的应用, 如计算机视觉、自然语言处
理、生物信息学等.
然而, 域自适应面临着多重挑战. 首先, 不同域的数据可能由不同的数据采集方式产生, 比如, 图像数据可能来
自不同类型的相机, 文本数据可能来自不同作者或不同语境, 这些差异可能导致数据的质量、格式和特征空间的
不一致性. 其次, 源域和目标域的数据分布可能有显著差异, 例如, 图像中的物体位置、大小、颜色, 或者文本中的
词汇频率和语法结构可能在不同域中表现出不同的统计特性.
为了有效地进行域自适应, 需要减少源域和目标域之间的分布差异, 使得模型能够学习到域不变的特征, 提高
模型的适应能力. 在时间序列领域, 领域适应 (DA) 方法通过特征对齐 (如最大均值差异, MMD) 减少源域和目标
域之间的分布差异, 以及实例重加权使源域数据更接近目标域的数据分布, 从而提高深度神经网络在目标域上的
表现 [25] . 文献 [26] 将现有的 DA 方法主要分为以下几类: 域不变特征学习 (通过最小化分布差异、重建和对抗学
习), 域映射 (主要采用条件 GAN 进行像素级别的映射), 规范化统计 (通过调整每层批归一化层的统计信息), 集成
方法 (使用多个模型组合的预测) 和目标域判别方法 (利用聚类假设将决策边界移到数据密度较低的区域). 从对齐