提升机器学习模型泛化能力：住宅占用检测的跨场景实战

1. 项目概述与核心价值

最近在做一个挺有意思的项目，核心是研究机器学习模型在住宅建筑占用检测这个场景下的泛化能力。简单来说，就是训练一个模型，让它能根据传感器数据（比如用电量、温湿度、声音、运动信号）来判断一个房子里有没有人，以及人在哪个区域活动。听起来好像不难，对吧？很多智能家居设备都在做类似的事情。但真正做起来，尤其是想让一个模型在A小区训练好，拿到B小区甚至C城市的不同户型、不同住户习惯的房子上还能用，那难度就指数级上升了。这就是我们常说的“模型泛化能力”问题，也是这个项目要啃的硬骨头。

为什么这个问题这么重要？因为现实世界里的住宅建筑千差万别。从老旧的公寓到新建的别墅，从单身公寓到三代同堂的大家庭，从朝九晚五的上班族到居家办公的自由职业者，每个人的生活习惯、用电模式、活动规律都完全不同。你不可能为每一户人家都单独收集几个月的数据去训练一个专属模型，成本太高，也不现实。理想的方案是，我们有一个“通用”的、足够“聪明”的模型，它只需要少量的新数据（甚至不需要）进行微调，就能快速适应新的环境，准确判断占用状态。这对于能源管理（如智能温控、照明）、安防预警、健康看护（尤其是独居老人）以及建筑能效模拟等领域，都有着巨大的实用价值。

这个项目就是冲着这个目标去的。它不是简单地比较几种算法的准确率，而是深入到数据层面、特征层面和模型架构层面，去系统地分析和提升模型的跨场景、跨住户的适应能力。接下来，我会拆解我们整个研究的设计思路、实操中遇到的坑以及一些行之有效的提升泛化能力的技巧。无论你是刚开始接触机器学习在物联网（IoT）或建筑领域的应用，还是已经在这个方向上有一些经验，希望这篇分享都能给你带来一些启发。

2. 核心挑战与泛化问题根源剖析

在深入技术细节之前，我们必须先搞清楚，为什么住宅占用检测模型的泛化会这么难。只有理解了“病根”，才能对症下药。根据我们的实践和大量文献调研，挑战主要来自以下几个方面：

2.1 数据异质性的多重维度

这是最根本的挑战。住宅数据就像一个“非独立同分布”的典型样本池，差异体现在多个维度：

1. 传感器异质性：不同项目、不同建筑使用的传感器品牌、型号、精度、采样频率可能天差地别。一个项目用高精度的电流钳表，另一个可能只用智能插座估算功率。数据尺度、噪声水平完全不一样。
2. 建筑与户型异质性：建筑面积、房间布局、窗户朝向、保温性能、电器种类和数量，这些因素会极大地影响基础能耗水平和活动产生的信号模式。一个开敞式厨房的公寓和一个厨房独立的老房子，其活动产生的声学和红外信号传播路径完全不同。
3. 住户行为异质性：这是最大的变量。作息时间、用电习惯（是否喜欢待机）、对温度的敏感度、居家办公频率、甚至洗澡时长，都因人而异，且高度非线性。
4. 安装与部署异质性：传感器的安装位置（离地高度、朝向）、是否被家具遮挡，都会导致采集到的信号强度和质量有显著差异。

这些异质性导致了一个严峻的问题：在一个数据集上表现优异的模型，其学习到的“模式”可能严重依赖于该数据集特有的“偏见”，比如特定传感器的噪声模式、特定户型的回声特性、特定住户的固定作息。一旦换到新环境，这些偏见就成了导致模型失效的“毒药”。

2.2 标注数据的稀缺与高成本

监督学习需要大量带标签的数据。在占用检测中，“标签”就是每个时间点房子是否有人、有几个人、在哪个房间。获取这种标签的金标准是视频监控，但这涉及严重的隐私问题，在实际部署中几乎不可行。常用的替代方案包括：

• 自报告：让住户手动记录进出和主要活动。数据质量低，依赖住户配合，难以长期持续。
• 可穿戴设备或手机定位：同样有隐私和配合度问题，且无法区分同一屋檐下的多人。
• 辅助传感器：如安装在特定位置的门磁、压力垫。覆盖不全，且安装本身也引入了异质性。

因此，大规模、高质量、多样化的标注数据集非常稀缺且昂贵。这限制了我们可以使用的数据量，也使得模型更容易过拟合到有限的、可能有偏的样本上。

2.3 问题定义与评估的模糊性

“占用”本身就是一个模糊的概念。是物理上的存在就算占用，还是需要检测到“活动”？如果一个人在家睡觉（无活动），算占用吗？如果检测到宠物移动，算吗？不同的应用场景对“占用”的定义不同。这导致：

• 标签不一致：不同数据集可能采用不同的标注准则。
• 评估指标选择困难：准确率在类别不平衡（无人时段远多于有人时段）时会失真。我们通常更关注召回率（别把有人误判成无人，尤其在安防场景）和精确率（别把无人误判成有人，尤其在节能场景），需要根据场景权衡。
• 迁移目标不明确：当我们将模型从“数据集A”迁移到“建筑B”时，我们到底希望模型迁移什么？是低层次的信号特征（如电器开关的电流波形），还是高层次的抽象模式（如“清晨厨房高功耗大概率是有人在准备早餐”）？这个目标不清晰，优化就无从下手。

理解了这些根源，我们的技术方案设计就有了明确的靶心：增强模型对上述异质性的鲁棒性，并利用有限的新数据快速适应。

3. 技术方案设计与核心组件选型

我们的方案没有追求某种“银弹”算法，而是构建了一个从数据到模型再到评估的完整 pipeline，每个环节都针对泛化能力做了特殊设计。

3.1 数据预处理与特征工程的泛化导向

传统的特征工程可能专注于提取在当前数据集上区分度最好的特征，但我们更关注可迁移的特征。

1. 标准化与自适应校准：

   • 全局标准化行不通：对所有数据用同一套均值方差标准化，会抹杀不同建筑的基础水平差异，而这个差异本身可能是有信息量的（比如别墅的基础功耗就是比公寓高）。
   • 我们的做法：采用按建筑（或按住户）的独立标准化。对于每个数据源，我们单独计算其训练期内的均值和标准差进行标准化。这样，模型学习到的是相对变化模式，而不是绝对数值。在部署到新建筑时，只需要用新建筑最初几小时或几天的数据重新计算标准化参数即可。

2. 时域与频域特征提取：

   • 基础统计特征：均值、方差、斜率、峰值等，这些相对稳定。
   • 基于事件的特征：这是提升泛化能力的关键。我们不再依赖固定的阈值去检测电器开关事件（因为阈值随电器而异），而是采用自适应峰值检测算法，提取事件的上升沿/下降沿陡度、持续时间、能量等。这些特征描述的是“变化模式”，其对绝对功率值的依赖较小。
   • 频域特征：通过FFT或小波变换提取频谱特征。不同电器的谐波成分相对稳定，且受整体功率水平影响较小。例如，吹风机的电机和电热丝会产生特定的谐波组合，这个模式在不同品牌的吹风机间有一定共性。
   • 交叉传感器特征：如果有多类传感器（如电力+声音），计算它们之间的相关性、时间滞后关系。例如，厨房用电高峰后短时间内出现客厅移动信号，可能表征人从厨房移动到客厅。这种关系模式比单一传感器信号更具迁移性。

3. 数据增强模拟异质性： 为了在训练阶段就让模型见识到“多样性”，我们对训练数据进行了增强：

   • 噪声注入：添加不同强度的高斯白噪声、脉冲噪声，模拟传感器噪声差异。
   • 尺度与偏移扰动：对数据乘以一个随机系数并加上一个随机偏移，模拟不同传感器增益和零漂。
   • 时间扭曲：对时序进行轻微的拉伸或压缩，模拟不同人做同一件事的速度差异。
   • 通道丢弃：随机屏蔽部分传感器的数据，模拟部署时传感器故障或未安装的情况。

3.2 模型架构选择与设计

我们对比了多种模型，最终形成了一个分层融合的架构，核心思想是分离通用特征提取与特定环境适配。

1. 主干网络：时序特征提取器

   • 候选模型：LSTM、GRU、1D-CNN、Transformer Encoder。
   • 我们的选择：一维卷积神经网络（1D-CNN）与门控循环单元（GRU）的混合模型。
   • 理由：1D-CNN能高效提取局部依赖模式（如电器开关的瞬态特征），并且具有平移不变性，对事件发生的时间点微小偏移不敏感。GRU则能捕捉长期的上下文依赖（如早晨的例行活动序列）。这种组合在计算效率和特征捕捉能力上取得了较好平衡。更重要的是，CNN的权重共享特性本身就具有一定的泛化倾向。

2. 领域自适应层（关键创新点）这是提升泛化能力的核心模块。我们在主干网络之后、分类器之前，引入了领域对抗训练（Domain Adversarial Training）的思想。

   • 结构：特征提取器（F）后面接两个“头”：一个标签分类器（C）用于预测占用状态，一个领域判别器（D）用于判断特征来自哪个源建筑（或哪个住户）。
   • 目标：训练特征提取器（F）产生一种“领域不变”的特征。这种特征既能很好地区分占用与否（让分类器C的损失最小），又让领域判别器（D）无法区分数据来自哪个领域（让判别器D的损失最大）。通过梯度反转层等技术实现对抗训练。
   • 效果：这迫使模型去学习那些在各个建筑/住户间共性的、与占用相关的模式，而忽略那些特有的、与领域相关的偏见。例如，模型会学会关注“功率变化的相对模式”，而不是“某个特定品牌的空调启动时的绝对功率值”。

3. 分类器与输出

   • 分类器（C）采用全连接层。对于多房间检测，我们将其设计为多任务学习框架，每个房间一个二分类输出，共享底层特征。
   • 输出不仅给出占用概率，还给出一个不确定性估计（例如，通过蒙特卡洛Dropout或模型集成）。当模型在新环境下不确定性很高时，可以触发“低置信度预警”，提示可能需要人工确认或启动在线学习。

3.3 训练策略与损失函数设计

1. 多源联合训练： 我们不只用一个数据集训练。只要是有标注的住宅占用数据集，无论来自哪个国家、哪种传感器，我们都拿来一起训练。这是让模型“见多识广”最直接的方式。但这里的关键是要处理好不同数据集之间的分布差异和标签不一致问题。我们给每个数据集（领域）分配一个可学习的领域嵌入向量，与输入特征拼接，让模型能感知到数据来源，同时通过领域对抗来抑制其对预测的过度影响。

2. 损失函数组合：

   • 主损失（L_cls）：占用状态的交叉熵损失。
   • 领域对抗损失（L_adv）：领域判别器的损失，用于最大化领域分类错误（即最小化领域判别能力）。
   • 一致性正则化损失（L_con）：对同一批数据，施加不同的数据增强（如不同的噪声），要求模型输出的特征在特征空间中的距离尽可能小。这能提升模型对输入扰动的鲁棒性。
   • 总损失：L = L_cls + λ_adv * L_adv + λ_con * L_con。λ_adv和λ_con是超参数，需要仔细调优。我们的经验是，在训练初期，应让L_cls主导，确保模型学会基本任务；中后期逐渐增大λ_adv，引导模型学习领域不变特征。

3. 元学习与快速微调： 我们尝试了模型无关的元学习（MAML）思路。将每个住户或每个建筑看作一个独立的“任务”。在元训练阶段，模型学习如何快速适应一个新任务。具体来说，在每次迭代中，我们采样一批“任务”（住户），对于每个任务，用其少量数据（支持集）计算梯度并更新模型，然后在该任务的查询集上评估损失。元学习的目标是最小化所有任务在更新后的这个损失。这样训练出来的模型，具备了极强的“学会学习”的能力，当遇到一个新住户时，只需用其头几小时的数据进行几步梯度更新，就能获得不错的性能。

4. 实操流程与核心环节实现

这里我以一个具体的例子，说明如何从原始数据开始，到训练出一个具备泛化能力的模型。我们假设有两个公开数据集：Dataset A（北美，智能插座数据）和 Dataset B（欧洲，总电路+房间PIR传感器数据）。

4.1 数据准备与对齐

1. 数据读取与清洗：

   import pandas as pd import numpy as np # 读取数据，假设每个数据集都有‘timestamp’，‘power’，‘occupancy’列 df_a = pd.read_csv('dataset_a.csv', parse_dates=['timestamp']) df_b = pd.read_csv('dataset_b.csv', parse_dates=['timestamp']) # 处理缺失值：对于功率数据，用前后插值；对于占用标签，用前向填充（假设状态持续） df_a['power'] = df_a['power'].interpolate(method='linear') df_a['occupancy'] = df_a['occupancy'].ffill() # Dataset B 可能有多列传感器数据，类似处理

2. 重采样与时间对齐： 两个数据集采样频率可能不同（A是1分钟，B是10秒）。我们统一重采样到30秒间隔，使用均值聚合。

   df_a = df_a.set_index('timestamp').resample('30S').mean().reset_index() df_b = df_b.set_index('timestamp').resample('30S').mean().reset_index() # 注意：占用标签在重采样后可能变为小数，需要重新二值化（如>0.5视为有人） df_a['occupancy'] = (df_a['occupancy'] > 0.5).astype(int)

3. 构造时序样本： 我们按滑动窗口构造样本。每个样本是一个长度为T（如60，即30分钟）的序列，对应一个占用标签（取窗口最后一个时刻的标签，或窗口内多数投票）。

   def create_sequences(data, features, target, sequence_length=60): X, y = [], [] for i in range(len(data) - sequence_length): X.append(data[features].iloc[i:i+sequence_length].values) y.append(data[target].iloc[i+sequence_length-1]) # 最后一个时刻的标签 return np.array(X), np.array(y) features_a = ['power'] # Dataset A 只有功率 features_b = ['total_power', 'pir_kitchen', 'pir_livingroom'] # Dataset B 有多维特征 X_a, y_a = create_sequences(df_a, features_a, 'occupancy') X_b, y_b = create_sequences(df_b, features_b, 'occupancy')

4. 领域标签与数据增强： 为每个样本打上领域标签（0 for A, 1 for B）。然后，在训练数据加载器中实时施加数据增强。

   # 合并数据，添加领域标签 X = np.concatenate([X_a, X_b], axis=0) y = np.concatenate([y_a, y_b], axis=0) domain = np.concatenate([np.zeros(len(X_a)), np.ones(len(X_b))], axis=0) # 自定义数据增强变换 class AddGaussianNoise: def __init__(self, mean=0., std=0.01): self.std = std self.mean = mean def __call__(self, tensor): return tensor + torch.randn(tensor.size()) * self.std + self.mean # 在DataLoader的collate_fn中随机应用增强

4.2 模型定义（PyTorch示例）

下面是我们混合模型结合领域对抗训练的核心代码框架：

import torch import torch.nn as nn import torch.nn.functional as F class FeatureExtractor(nn.Module): def __init__(self, input_dim): super().__init__() self.conv1 = nn.Conv1d(input_dim, 32, kernel_size=5, padding=2) self.conv2 = nn.Conv1d(32, 64, kernel_size=3, padding=1) self.gru = nn.GRU(64, 128, batch_first=True, bidirectional=True) self.fc_feat = nn.Linear(256, 128) # GRU双向，所以是128*2 def forward(self, x): # x shape: (batch, seq_len, input_dim) x = x.transpose(1, 2) # -> (batch, input_dim, seq_len) for Conv1d x = F.relu(self.conv1(x)) x = F.max_pool1d(x, 2) x = F.relu(self.conv2(x)) x = F.max_pool1d(x, 2) x = x.transpose(1, 2) # -> (batch, new_seq_len, 64) _, h_n = self.gru(x) # h_n shape: (2, batch, 128) h_n = h_n.transpose(0, 1).contiguous().view(x.size(0), -1) # (batch, 256) features = F.relu(self.fc_feat(h_n)) return features class OccupancyClassifier(nn.Module): def __init__(self): super().__init__() self.fc1 = nn.Linear(128, 64) self.fc2 = nn.Linear(64, 1) def forward(self, features): x = F.relu(self.fc1(features)) x = self.fc2(x) return torch.sigmoid(x) class DomainDiscriminator(nn.Module): def __init__(self): super().__init__() self.fc1 = nn.Linear(128, 64) self.fc2 = nn.Linear(64, 2) # 假设有两个源领域 def forward(self, features): # 梯度反转层（GRL）在训练循环中通过手动反转梯度实现 x = F.relu(self.fc1(features)) return F.log_softmax(self.fc2(x), dim=1) # 训练循环中的关键部分（伪代码） feature_extractor = FeatureExtractor(input_dim=3) # 以Dataset B的3维特征为例 classifier = OccupancyClassifier() domain_discriminator = DomainDiscriminator() optimizer = torch.optim.Adam(list(feature_extractor.parameters()) + list(classifier.parameters()) + list(domain_discriminator.parameters())) for epoch in range(num_epochs): for batch_x, batch_y, batch_domain in dataloader: # 1. 提取特征 features = feature_extractor(batch_x) # 2. 分类任务损失 pred_occ = classifier(features) loss_cls = F.binary_cross_entropy(pred_occ, batch_y.unsqueeze(1).float()) # 3. 领域对抗损失 pred_domain = domain_discriminator(features) loss_adv = F.nll_loss(pred_domain, batch_domain.long()) # 4. 总损失（带梯度反转） # 对于特征提取器，我们希望最大化领域分类错误，所以对loss_adv取负号 lambda_adv = 0.1 # 对抗损失权重，可随时间调整 loss_total = loss_cls - lambda_adv * loss_adv optimizer.zero_grad() loss_total.backward() optimizer.step() # 5. 单独更新领域判别器（最大化其分类能力） # 这里需要再次前向传播，但只计算判别器损失并更新判别器 features_detached = features.detach() # 阻止梯度传到特征提取器 pred_domain_d = domain_discriminator(features_detached) loss_d = F.nll_loss(pred_domain_d, batch_domain.long()) optimizer_d = torch.optim.Adam(domain_discriminator.parameters()) optimizer_d.zero_grad() loss_d.backward() optimizer_d.step()

注意：上述代码是高度简化的示意，实际中需要更精细地控制两个优化器的更新节奏（如使用不同的学习率），并可能采用更稳定的对抗训练方法，如梯度反转层（GRL）或Wasserstein距离。

4.3 评估与验证策略

我们采用留一建筑/留一住户交叉验证来严格评估泛化能力。

1. 训练与测试划分：不随机打乱所有数据。而是以“建筑”或“住户”为单位。每次实验，选择N-1个建筑的数据作为训练集，剩下的1个建筑的数据作为测试集。循环N次。
2. 评估指标：除了整体准确率，我们更关注：
   • F1-Score：精确率和召回率的调和平均，综合性能。
   • 跨领域性能下降：计算模型在“同领域测试”（训练和测试数据来自相同建筑分布，但不同时间段）和“跨领域测试”（训练和测试数据来自完全不同的建筑）下的F1分数差值。这个差值越小，说明泛化能力越强。
   • 混淆矩阵分析：特别关注“有人被误判为无人”（漏报）和“无人被误判为有人”（误报）的比例，分析错误模式。
3. 基线对比：与不包含领域对抗训练、不使用数据增强、不使用多源数据的普通LSTM或CNN模型进行对比。

5. 常见问题、排查技巧与实操心得

在实际操作中，我们踩了不少坑，也总结了一些行之有效的技巧。

5.1 模型训练不稳定，领域对抗损失不收敛

• 问题现象：分类损失下降，但领域判别损失一直很低（判别器太强）或振荡剧烈，导致特征提取器学不到有效的领域不变特征。
• 排查与解决：
  1. 调整对抗损失权重（λ_adv）：这是一个关键超参数。可以从0开始，随着训练epoch线性或渐进增加（λ_adv = min(epoch / warmup_epochs, 1.0) * max_lambda）。给模型一个“热身”期，先学好基本任务。
  2. 平衡判别器与特征提取器的能力：如果判别器太强（层数多、神经元多），特征提取器很难“骗过”它。可以尝试简化判别器结构（如单层线性层），或者使用梯度裁剪、谱归一化等技术稳定判别器的训练。
  3. 使用更稳定的对抗训练方法：我们后来采用了Wasserstein距离配合梯度惩罚（WGAN-GP），相比原始GAN或梯度反转，训练稳定性和收敛性更好。它直接优化一个可解释的距离度量。
  4. 检查特征维度：确保特征提取器输出的特征维度足够高（如128维以上），以编码足够的信息。维度太低会导致分类和对抗任务在特征空间“打架”，信息不够用。

5.2 在新建筑上初始性能极差

• 问题现象：模型在完全没见过的建筑上部署，头几天的预测准确率像随机猜测。
• 排查与解决：
  1. 实施在线学习或快速微调：这是我们采用元学习（MAML）的初衷。部署时，收集新建筑头几个小时（最好包含有人和无人的典型时段）的数据，不更新全部参数，只对分类器（或最后几层）进行少量几步（如5-10步）的梯度下降。这能快速将模型“校准”到新环境。
  2. 利用不确定性估计：对于预测置信度低的时段，系统不直接执行动作（如关空调），而是记录为“待确认”，或者结合简单的规则（如“如果连续多个低置信度预测为无人，且功耗低于某个极低阈值，则判定为无人”）。
  3. 特征对齐检查：可视化新建筑和训练集建筑的特征分布（使用t-SNE或PCA）。如果完全分离，说明领域差异太大。此时可能需要检查预处理（特别是标准化方式）是否一致，或者考虑在特征层面进行更激进的对齐，如最大均值差异（MMD）最小化。

5.3 如何处理类别极端不平衡？

• 问题：住宅中无人状态通常远多于有人状态（例如，白天上班，家里空置8-10小时）。
• 技巧：
  1. 不要只用准确率：准确率会虚高（比如一直预测“无人”就能有90%准确率）。坚持使用F1-Score、精确率-召回率曲线（PR-AUC）。
  2. 损失函数加权：在交叉熵损失中，给“有人”类别赋予更高的权重。权重可以设置为weight = (总样本数) / (类别样本数)。
  3. 过采样与欠采样：对“有人”时段的数据进行过采样（复制或生成类似样本），或对“无人”时段进行欠采样。在时序数据中要小心，避免破坏时间连续性。我们更常用的是在批次（batch）级别进行平衡，确保每个batch中正负样本比例大致均衡。
  4. 调整决策阈值：默认0.5的阈值可能不是最优。根据PR曲线或业务需求（更看重召回还是精确）调整阈值。例如，在安防场景，为了不漏报，可以降低阈值（如0.3），提高召回率，容忍更多误报。

5.4 传感器故障或数据缺失怎么办？

• 心得：在特征工程阶段就考虑鲁棒性。
  1. 多传感器融合与冗余：不要只依赖单一传感器。电力数据为主，PIR或声音数据为辅。当一种传感器失效时，模型可以依赖其他传感器，性能会下降但不会完全失效。
  2. 训练时模拟缺失：在数据增强阶段，随机将某些传感器通道的数据置零或填充均值，让模型学会处理部分数据缺失的情况。
  3. 部署时健康监测：实时监控每个传感器数据的合理性（如是否长期为0、是否超出量程）。一旦检测到故障，在特征输入模型前，就将该通道数据标记为“缺失”，并用训练数据中该通道的均值或上一个有效值填充，同时可能需要在模型前端增加一个缺失数据掩码层。

5.5 计算资源与实时性考量

• 问题：复杂的模型（如Transformer）可能在资源受限的边缘设备上运行吃力。
• 解决方案：
  1. 模型轻量化：训练完成后，进行知识蒸馏、剪枝或量化，得到一个小而快的模型用于部署。我们尝试过用一个大模型做“教师”，指导一个轻量CNN“学生”模型，学生模型在精度损失很小的情况下，速度提升显著。
  2. 云端协同：可以将复杂的特征提取放在边缘设备进行初步计算，然后将高维特征（而非原始数据）上传到云端进行最终推理，既保护隐私又降低传输开销。或者采用异步处理，非紧急的能效优化可以稍后计算。
  3. 选择性推理：并非每个时刻都需要运行完整模型。可以设置一个简单的“触发机制”，比如当总功率变化超过某个阈值时，才启动完整的占用检测模型，其他时间维持上一个状态。

这个项目做下来，最深的一点体会是，在现实世界的机器学习应用中，尤其是在物联网和建筑这类高度异质化的领域，模型的“聪明”不仅仅体现在算法本身的复杂度上，更体现在对数据本质的理解、对现实约束的考量以及整个系统 pipeline 的鲁棒性设计上。泛化能力不是一个可以事后添加的模块，它必须从数据收集、特征设计、模型架构到训练策略的全流程中被作为核心目标来考量。我们采用的领域对抗、元学习、数据增强等技巧，都是服务于这个目标的手段。最终，一个能在张三李四王五家都能稳定工作的占用检测模型，其价值远大于在某个实验室数据集上刷到99%准确率的模型。这条路还很长，比如如何融合更多模态的数据（如环境光、CO2浓度），如何实现完全无监督或自监督的跨域适应，都是值得继续探索的方向。希望我们趟过的这些坑和总结的经验，能为你在这个领域的研究或应用开发节省一些时间。