Page 386 - 《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 1349

时间序列的趋势、周期性和季节性等特征. 我们利用 HHAR 数据集中的活动时序数据, 通过 Prophet 模型生成了
具有相似动态特征但数据分布更加多样的人工合成数据. 该数据集涵盖了不同的活动类型和传感器模式, 并引入
了可控的噪声和扰动, 从而为评估 TPN 在不同数据条件下, 特别是存在数据分布偏移情况下的泛化能力提供了一
个新的维度, 能更全面验证模型的鲁棒性.
为了直观展示生成的数据, 我们对经过下采样处理的部分原始加速度数据 (x、y、z 轴) 与 Prophet 模型生成
的相应数据进行了时间维度上的对比分析 (如图 7 所示). 可以观察到, 生成的数据在保留原始数据动态特征的同
时, 引入了更多的变化.

0.8
原始数据 (采样后)
生成数据
0.7
归一化值 0.6

0.5
13:05 13:10 13:15 13:20 13:25 13:30 13:35
时间戳
(a) x 轴对比图

原始数据 (采样后)
0.6 生成数据
归一化值 0.5

0.4
13:05 13:10 13:15 13:20 13:25 13:30 13:35
时间戳
(b) y 轴对比图

0.8
原始数据 (采样后)
生成数据
归一化值 0.6

0.4

13:05 13:10 13:15 13:20 13:25 13:30 13:35
时间戳
(c) z 轴对比图
图 7 原始数据与 Prophet 生成数据的对比波形图

3.3 时序特征的可视化分析
为了直观地展示本文方法在时序建模方面的优势, 本文以 HHAR 数据集的手表加速度计的受试者 a 的时序
数据为例, 采用了 PCA 算法对时序特征进行了降维和可视化. 本文将时序建模网络的输出作为输入, 将维度降到
2 维, 然后用不同的颜色和形状表示不同的域和类别, 得到了如图 8 所示的可视化结果. 其中, 不同的颜色表示不
同的域, 图 8(a)–(c) 分别表示域校正前的站、坐和走路的时序特征; 图 8(d)–(f) 分别表示域校正后的站、坐和走路
的时序特征.