TriHead-GAN：具有三头判别器的生成对抗网络，用于生成碳排放时间序列

arXiv:2606.07569v1 发布类型：新 摘要：准确的碳排放监测对于气候政策和欧盟碳边界调整机制等新兴监管机制至关重要，但城市级高频监测数据仍然极其稀缺，严重限制了需要大量数据的深度学习模型。时间序列生成是一种自然的补救措施，但现有的 GAN 和基于扩散的生成器通常对碳排放数据的域结构提供有限的显式监督：它们可能匹配边际分布统计数据，同时不足以保留 CO$_2$ 与共同排放的污染物和气象因素之间的跨变量相关性，并且往往会破坏大气测量的一阶差分统计数据，产生平均平滑但缺乏基础信号的实际逐步变化的序列。我们提出了 TriHead-GAN，一种基于 Transformer 的对抗框架，其三头判别器共同监督联合分布的三个互补方面：通过 Wasserstein 批评家的分布真实性、通过目标变量的无泄漏回归的跨变量依赖性以及通过相邻差异预测的逐步时间平滑性。该生成器将全局自注意力与局部时间卷积、每步噪声注入以及与一阶差分统计数据相匹配的反平滑损失相结合。在自采集的长沙碳数据集、两个公共碳数据集（中国、美国）和 ETTh1 基准上的实验表明，TriHead-GAN 在绝大多数设置上都取得了优于主流基线的良好性能，并且由此产生的合成窗口提高了低资源碳监测场景下的下游预测准确性。