时间序列嵌入是对时间排序的数据序列的紧凑数值表示，旨在以较低维度的格式捕获基本模式。与 NLP 中的词嵌入类似，它们将原始时间序列数据（例如，传感器读数、股票价格或 ECG 信号）转换为固定长度的向量。这些嵌入保留了关键的时间关系、趋势和结构特征，同时丢弃了噪声或冗余细节。目标是通过将复杂的可变长度序列转换为可管理的数值形式来简化下游任务（如分类或异常检测）。
为了创建嵌入，方法通常依赖于神经网络。例如，自动编码器通过训练编码器-解码器对来重建输入，从而将时间序列压缩为潜在向量。循环神经网络 (RNN)，如 LSTM，通过逐步处理顺序数据并将隐藏状态用作向量表示来生成嵌入。利用自注意力机制的 Transformer 也可以通过聚合跨时间步长的上下文信息来生成嵌入。自监督技术，如对比学习，越来越受欢迎：模型学习在嵌入空间中将相似的时间序列段（例如，传感器数据的重叠窗口）映射得更近，同时拉开不相似对的距离。预训练模型，如在大型 ECG 信号数据集上训练的模型，也可以生成与任务无关的嵌入，以便在应用程序中重复使用。
时间序列嵌入用于原始数据过于笨重或嘈杂而无法直接处理的应用程序中。例如，在异常检测中，可以将正常操作数据的嵌入与新的观测结果进行比较——嵌入空间中的偏差表示潜在问题。在聚类中，嵌入对相似序列进行分组（例如，从点击流数据中对用户行为模式进行分类），而无需手动特征工程。它们还可以实现高效的相似性搜索：系统可以通过比较嵌入来查找与当前趋势相似的历史股票价格模式。在物联网中，来自传感器数据的嵌入可以通过将其输入分类器来预测设备故障。一个关键的优势是它们能够处理可变长度的输入并降低下游模型的计算成本，因为嵌入标准化了输入大小。但是，嵌入方法的选择取决于数据的特征（例如，季节性、噪声水平）和任务要求。