问将word2vec用于非字符串输入(如时间序列分析)是否有意义？

EN

简而言之，答案是肯定的。一般来说，NLP和时间序列的域是非常相似的，因为它们都是序列数据。主要的区别是文本是离散的，而信号的值属于连续空间。因此，离散一个时间序列(关于它可以取的值)，我们可以在离散空间中有一个序列。

已有许多基于时间序列离散化的算法，其中一些算法实际上将时间序列转换为文字。最流行的时间序列表示有PAA、SAX、老板、科特和最近的Signal2Vec。

Signal2vec (我是作者之一)包括两个步骤。第一种是对时间序列进行离散化，这种情况可以使用聚类算法或任何其他离散化方法来实现。第二步是Word2vec模型，它既可以应用于每个符号，也可以应用于由离散化时间序列的符号构成的单词。

就异常检测而言，您可以使用上述任何时间序列表示。也有非常好的调查比较异常检测方法的时间序列，我强烈建议阅读至少最近的方法，以了解最先进的方法。我还会推荐矩阵轮廓，它实现起来非常简单，而且非常健壮。

Word2vec的目标是将序列中的每个元素表示为“嵌入空间”，即“相似”元素位于较低维度的空间。

我认为这对时间序列分析来说有点离题。如果要检测异常值，可以尝试查看每个数据点与趋势的归一化距离，并设置一个阈值。

或者，如果你真的想坚持使用神经网络，你可以使用自动编码器。它们可以应用于异常点检测，但它不是实现的最简单的模型。

不- word2vec算法假设数据是一系列离散符号.汇率是连续的。