Word2vec 的目标是将序列的每个元素表示为“嵌入空间”，即“相似”元素彼此靠近的低维空间。

我认为这对于时间序列分析来说有点偏离主题。如果要检测异常值，可以尝试查看每个数据点与趋势的标准化距离，并设置阈值。

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值检测，但它不是最简单的实现模型。

简而言之，答案是肯定的。一般来说，NLP 和时间序列的领域非常相似，因为它们都是顺序数据。主要区别在于文本是离散的，而信号的值属于连续空间。因此，将时间序列离散化（关于它可以采用的值），我们可以在离散空间中有一个序列。

已经有许多基于时间序列离散化的算法，其中一些实际上将时间序列转换为单词。一些最流行的时间序列表示是PAA、SAX、BOSS、COTE和最近的 Signal2Vec。

Signal2vec（我是作者之一）包括两个步骤。第一个是离散化时间序列，这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 的模型，它既可以应用于每个符号，也可以应用于由离散时间序列的符号构造的单词。

就异常检测而言，您可以使用上述任何时间序列表示。还有一些非常好的调查比较了时间序列的异常检测方法，我强烈建议至少阅读最新的调查以了解最先进的方法。我还推荐Matrix Profile，它实现起来非常简单，而且非常健壮。

否 - word2vec 算法假定数据是一系列离散符号。汇率是连续的。