Page 380 - 《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 1343

的目标角度出发, 本文将域适应方法分为两大类: 特征对齐与模型对齐, 前者改变数据的表示, 后者改变模型的行为.
基于特征对齐的方法旨在通过找到一个共同的特征空间来减小源域和目标域之间的分布差异, 例如 CALDA [6]
通过最大化域间特征的相关性来实现这一点. 这类方法的优点在于可以直接对齐不同域的特征分布, 但可能难以
处理复杂的数据分布. 而基于模型对齐的方法则侧重于通过约束模型在不同域上的输出一致性来实现域自适应,
例如 MDLR [20] 利用对抗训练的方式来实现这一点. 然而, 无论是基于特征对齐还是模型对齐的方法, 都存在一些
局限性, 例如难以处理复杂的数据分布或对抗训练不稳定等问题.
本文提出的 TPN 方法结合了特征对齐和模型对齐的思想, 旨在克服上述局限性. 其中, TPAM 模块通过时空
卷积网络提取更具判别性和适应性的时序模式特征, 实现了特征对齐; 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, 实现了模型对齐.
2 时序数据域自适应框架

本文提出了一种基于时序建模和域校正的传感器数据域自适应方法, 用于解决不同域之间的数据分布偏移问
题. 本方法的主要思想是利用时空卷积网络和对抗生成网络, 分别从时序和域两个方面提取和对齐特征, 从而提高
下游任务的性能. 本方法的整体框架如图 1 所示, 其中域校正模块利用域分类损失减轻域偏移.

输入序列: 时序建模网络 输出序列: 下游任务
seq_len×dim seq_len×dim
数据流
梯度反向 域分类损失 域校正模块
传播路径
图 1 本文方法的整体框架

如图 1 所示, 时序建模网络负责提取高质量的时序特征, 为域校正模块提供有效的输入. 域校正模块则通过对
抗训练和域分类损失, 引导时序建模网络学习域不变的特征表示, 从而实现域自适应的目标.
2.1 时序建模网络

时序建模网络的目的是从输入的时序数据中提取时序特征, 捕捉数据的时域和空域依赖. 时序数据通常可以
表示为一个矩阵, 其中每一行代表一个时间步, 每一列代表一个传感器或特征维度. 时序数据的空域特征指的是不
同传感器或特征维度之间的关系. 例如, 在人体活动识别任务中, 加速度计的 3 个轴 (x, y, z) 之间就存在着空间上
的关联关系, 这种关系可以反映人体的运动姿态和方向. 本文采用 Transformer 模型作为时序建模网络的基础结
构, 如图 2 所示. 其中, 时序模式激活模块 (TPAM) 通过双路时空卷积分别提取时间和空间特征, 并采用 tanh (时间
路径) 和 Sigmoid (空间路径) 的异构激活函数组合实现注意力引导的特征融合, 最后经线性投影将特征维度对齐
以便与原始 Transformer 架构整合.
Transformer 模型是一种基于自注意力机制的深度神经网络, 能够有效地处理序列数据, 学习数据的长期依赖
关系. Transformer 模型的结构主要由编码器和解码器组成, 其中编码器由多个相同的层堆叠构成, 每个层包含一
个自注意力子层和一个前馈神经网络子层, 两个子层都有残差连接和层归一化. 解码器的结构与编码器类似, 只是
多了一个编码器-解码器注意力子层, 用于融合编码器的输出和解码器的输入. 本文只使用了 Transformer 的编码
器部分, 将其作为时序建模网络, 将输入的时序数据映射为时序特征.
为了进一步增强时序建模网络的时序建模能力, 本文在 Transformer 的编码器中, 插入了时序模式激活模块
(TPAM). TPAM 的结构如图 2 左侧所示.
为了应对变量间相关性随时间变化的问题, TPAM 模块在时间维度上使用了较小的卷积核, 以捕捉局部时间
相关性. 同时, 为了避免对预设的变量顺序产生依赖, TPAM 模块直接利用 Transformer 编码器学习到的特征表示,
其中已经包含了变量间的交互关系信息.