准确的碳排放监测是气候政策以及欧盟碳边境调节机制等新兴监管工具的基础，但城市级高频监测数据极为稀缺，这严重制约了依赖大量数据的深度学习模型。时间序列生成被视为一种自然的补救手段，然而现有的生成对抗网络和基于扩散模型的生成器往往对碳排放数据的领域结构缺乏足够的显式监督：它们可能只匹配了边缘分布统计量，却未能充分保留二氧化碳与共生污染物、气象因素之间的跨变量相关性，同时还容易抹平大气测量数据的一阶差分统计特征，生成在平均意义上平滑、但缺乏真实信号逐步波动性的序列。
针对这些问题，论文提出了 TriHead-GAN，一个基于 Transformer 的对抗式框架。其核心设计是三头判别器，从三个互补的角度联合监督数据的联合分布。第一个头是 Wasserstein 评论器，用于判断分布层面的真实性；第二个头通过无泄漏的目标变量回归来约束跨变量依赖关系；第三个头则通过相邻差分预测来监督逐步时间平滑性，从而避免生成序列丢失真实测量中的瞬时变化。三部分监督共同作用，使判别器不再只关注整体分布是否相似，而是同时检验变量之间的关系和时间维度上的细粒度结构。
在生成器一侧，模型将全局自注意力与局部时间卷积结合起来，前者用于捕捉长程依赖，后者用于建模局部时间模式。生成器还引入了逐步噪声注入机制，以增强生成序列的随机性和细节变化。此外，研究团队设计了抗平滑损失，使生成序列的一阶差分统计量与真实数据相匹配，从而缓解现有方法在平均意义上平滑、却缺乏真实逐步变异的问题。
实验部分覆盖了自采集的长沙碳数据集、中国和美国两个公开碳数据集，以及 ETTh1 基准。结果显示，在绝大多数设置下，TriHead-GAN 相比主流基线取得了更有利的性能表现。更重要的是，由该模型生成的合成时间窗口能够提升下游预测任务的准确率，说明合成数据在低资源碳排放监测场景中具有实际价值。该研究的意义在于，它不仅提出了一个新的生成模型结构，也强调了在科学测量数据生成中显式建模领域结构的重要性，为数据稀缺条件下的碳排放监测与相关深度学习应用提供了可行路径。该论文提交于 2026 年 5 月 26 日，作者为 Zesen Wang 等四人，属于机器学习类别。