Verileri anlama
Yerleştirmeler birden fazla ülke için kullanılabilir olsa da şema tüm veri kümelerinde tutarlıdır. Yerleştirmeler, her ülke için ayrı BigQuery listeleri halinde düzenlenir.
Yerleştirme vektörünün anatomisi
features sütunu, 330 boyutlu bir vektördür (BigQuery'de REPEATED FLOAT dizisi olarak depolanır). Dizinin her bölümü, nüfus dinamikleri modeli tarafından çıkarılan belirli bir veri sinyaline karşılık gelir.
Bu yapıyı anlamak, özelliklerin kaldırılmasına (ör. arama davranışının satışları hava durumuna kıyasla ne kadar öngördüğünü belirleme) olanak tanır.
| Vektör dizinleri | Veri kaynağı | Açıklama |
|---|---|---|
| 0-127 | Toplu Arama Trendleri | Bölgesel ilgi alanlarını ve endişeleri (ör. "spor salonu", "grip belirtileri", "lüks ürünler" aramaları) yakalar. |
| 128-255 | Haritalar ve Yoğunluk | Yapılaşmayı (hastaneler, parklar, okullar gibi ÖY'ler) ve insan etkinliği yoğunluğunu gösterir. |
| 256-329 | Hava Durumu ve Hava Kalitesi | Çevresel bağlamı (sıcaklık, yağış, HKİ, rüzgar) yakalar. |
Önemli sütunlar ve meta veriler
Yerleştirme tablosu, coğrafi analiz, filtreleme ve diğer Google Haritalar Platformu hizmetleriyle birlikte çalışabilme olanağı sağlayan mekansal meta veriler içerir.
geo_id: Bölgenin birincil tanımlayıcısı. S2 hücresi veri kümeleri için bu, onaltılık dize olarak temsil edilen S2 hücre jetonudur (ör.'80ead45'). Bunu birincil birleştirme anahtarınız olarak kullanın.geo_name: Bölgenin okunabilir adı. Not: S2 ızgara veri kümelerinde matematiksel hücrelerin standart adları yoktur. Bu nedenle, bu sütungeo_idile tamamen aynı jetonu içerir. Bu, tüm nüfus dinamikleri tekliflerinde tutarlı bir sütun yapısı sağlamak için tasarlanmıştır.administrative_area_level_1_id: En üst düzey idari sınır için benzersiz Google Haritalar Yer Kimliği (ör. eyalet veya il).administrative_area_level_1_name: Üst düzey sınırın insan tarafından okunabilen adı (ör.'California').administrative_area_level_2_id: İkincil idari sınır için benzersiz Google Haritalar Yer Kimliği (ör. ilçe).administrative_area_level_2_name: İkincil sınırın kullanıcılar tarafından okunabilen adı (ör.'Tulare County').features: Yerel olarakARRAY<FLOAT64>olarak depolanan 330 boyutlu temel yerleştirme vektörü. Bunu Pandas Python kitaplığına yüklemek için düzleştirme veya NumPy matrisine dönüştürme işlemi gerekir.
Sık sorulan sorular (SSS)
Ham giriş verilerine (ör. belirli arama sorguları veya hareketlilik izleri) erişebilir miyim?
Hayır. Nüfus Dinamikleri Analizleri yerleştirmeleri, gizliliği koruyan toplu sinyallerden oluşturulur. Kullanıcı gizliliğini korumak için belirli kullanıcı izleri, bireysel arama geçmişleri veya ham hareket kalıpları sağlamayız. Yerleştirmeler, bu davranışların ham analizler yerine modelleme ve tahmin için optimize edilmiş bir örtülü gösterimini sağlar.
Vektör boyutları yorumlanabilir mi (örneğin, 5. boyut "Kahve" mi)?
Vektörler, gizli temsillerdir. Yani, insan tarafından okunabilen belirli etiketler yerine soyut kalıpları yakalarlar. 0-127 arasındaki dizinlerin Arama Trendleri'nden türetildiğini bilsek de belirli bir dizin (ör. dizin 5), "Kahve" gibi tek bir anahtar kelimeyle bire bir eşleşmez. Bunun yerine, modelin öğrendiği arama davranışının karmaşık bir özelliğini temsil eder.
Veri kümesi poligon sınırları (Shapefile'lar) içeriyor mu?
Veri kümesi, coğrafi tanımlayıcılar (ör. 1. ve 2. düzey yönetici bölgeleri) için S2 hücresi jetonları (geo_id) ve yer kimlikleri sağlar ancak S2 hücresi bölgeleri için ham poligon geometrisi (WKT/Shapefile) içermez. Ham geometrilerin atlanması, depolama alanının gereksiz yere büyümesini önler ve yalnızca özellik vektörleri gerektiren ML ardışık düzenleri için BigQuery tarama maliyetlerini azaltır. Ayrıca, S2 dize jetonlarında birleştirme işlemi, uzamsal poligon kesişimlerini yürütmekten çok daha hızlıdır ve hesaplama açısından daha verimlidir.
- Nokta koordinatları için: Nokta verilerini (ör. ÖY konumları veya mağaza merkezleri) nüfus dinamikleri analizleriyle birleştirmek için
S2_CELLIDFROMPOINTile birlikteST_GEOGPOINTkullanarak enlem/boylam koordinatlarını S2 12. seviye hücre jetonlarına dönüştürün (Nokta koordinatlarını S2 12. seviye onaltılık jetonlara dönüştürme başlıklı makaleyi inceleyin). - Alan Sınırları İçin: Özel sınırları Nüfus Dinamikleri Analizleri ile kesiştirmeniz gerekiyorsa özel poligonlarınızı
S2_COVERINGCELLIDSkullanarak S2 Seviye 12 hücre jetonlarını kapsayacak şekilde dönüştürmenizi (Bir poligon için S2 Seviye 12 hücre jetonlarını kapsayan oluşturma bölümüne bakın) veya bu veri kümesini BigQuery Genel Verileri'nde bulunan genel sınır veri kümeleriyle birleştirmenizi öneririz. - Görselleştirme ve geometri dönüşümü için: BigQuery'nin yerleşik coğrafya işlevleri tek yönlü dönüşüm (geometri → S2 hücre kimliği) gerçekleştirir. S2 hücre jetonlarını harita veya CBS araçları için poligon geometrilere dönüştürmek isterseniz Python'un
s2spheregibi istemci tarafı kitaplıklarını kullanabilirsiniz. Kod örnekleri ve talimatlar için S2 Seviye 12 onaltılık jetonundan S2 hücre geometrisi alma başlıklı makaleyi inceleyin.