Page 384 - 《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 1347

杂度; (2) 计算资源的限制. 在保证模型性能的同时, 也能控制模型的计算复杂度和训练时间. 表 1 中的参数分别表
示模型的层数 (L)、自注意力头数 (H)、隐藏维度 (HD) 和前馈神经网络维度 (F).
表 2 列出了域校正模块的参数设置, 包括生成器 G 和判别器 D 的层数 (L)、卷积核大小 (K)、卷积核数量 (N)、
步长 (S)、批归一化 (BN)、激活函数 (AF)、损失函数 (LF) 和优化器 (OP). 参数的选择关乎模型的对抗性能和稳
定性. 一般而言, 参数越大, 模型的表达能力越强, 但计算复杂度和训练难度也会随之增加. 考虑到数据集的规模、
复杂度和实验环境的限制, 我们选择了适中的参数, 以确保模型在对抗性能和稳定性之间取得平衡.

表 1 Transformer 模型的参数设置 表 2 GAN 模块的参数设置

参数 UCI HHAR dataset Opportunity dataset 参数 生成器G 鉴别器D
L 4 6 L 6 6
H 8 8 K 3 3
HD 64 128 N 64 64
F 256 512 S 2 2
BN 是 否
AF ReLU LeakyReLU
LF LSGAN LSGAN
OP Adam Adam

TPAM 模块中, 时间卷积核的大小设置为 K t = 3, 空间卷积核的大小设置为 K s = 1. 两层时空卷积层的通道数
分别设置为 64 和 128. OSML 模块中, 操作顺序预测器 P 由一个 512 维的全连接层和一个 Softmax 层组成. 其损
失函数采用交叉熵损失, 优化器为 Adam, 学习率为 0.000 1, 动量为 0.9, 权重衰减为 0.000 1.
3.2 数据集
不同场景下收集的数据分布不同, 这种差异称为域差距. 为了评估我们方法的域适应性能, 我们选择了 3 个人
体活动识别数据集作为基准. 本文提出的 TPN 方法采用只在源域上训练和验证, 而在目标域上测试的策略. 图 4
和后文图 5、图 6 分别是用 PCA 对 3 个数据集降维后的数据分布示意图, 两个轴的括号里显示了主成分的百分
比. 后文表 3 给出了 3 个数据集的统计信息.

20 30
30
10 20 20
PC2 (5.0%) 0 PC2 (5.2%) 10 PC2 (6.4%) 10 PC2 (4.0%) 10

−10 0 0 −10 0
−10
−10 0 10 0 20 0 20 −10 0 10
PC1 (8.4%) PC1 (8.0%) PC1 (7.6%) PC1 (8.1%)
(a) S1 (b) S2 (c) S3 (d) S4
Relaxing Coffee time Early morning Cleanup Sandwich time
图 4 Opportunity 数据集的 4 个受试者的数据分布示意图

3.2.1 Opportunity 数据集
Opportunity 数据集是一个人类活动识别基准测试集 [27] , 包含 72 个传感器分布在环境、物体和人体上, 模拟
公寓环境中的日常活动. 这些活动包括短动作 (如打开冰箱)、手势 (如与咖啡机交互)、行走方式等. 这种多模态
特性为域适应问题提供了丰富的研究场景. 本研究主要分析了 5 种高级行为, 包括放松、喝咖啡时间、早晨、清
理和做三明治时间. 选择这 5 种高级行为是因为它们代表了日常生活中的常见活动.
在 Opportunity 数据集中, S1、S2、S3 和 S4 是不同的受试者. 本文选择 S1 作为源域, S2、S3 和 S4 作为目标域.
3.2.2 WISDM 数据集
WISDM 数据集是一个广泛应用于人体活动识别研究的数据集 [28] , 它由 36 个参与者的三轴加速度计数据构