このページは Cloud Translation API によって翻訳されました。

サンプルプレイス ID を使用して Places Insights データを検証する

このドキュメントでは、Places Insights のサンプル Place IDs データを使用して、Place Count Functions と、ターゲットを絞った Place Details のルックアップを併用し、結果の信頼性を高める方法について説明します。

ロンドンの場所の密度ヒートマップ。個々のマーカーが重ねて表示され、統計データが検証されています。

アーキテクチャパターン

このアーキテクチャパターンを使用すると、概要レベルの統計分析とグラウンドトゥルースの検証のギャップを埋めるための再現可能なワークフローが実現します。BigQuery のスケールと Places API の精度を組み合わせることで、分析結果を確実に検証できます。これは、データの信頼性が最も重要なサイト選定、競合他社の分析、市場調査で特に役立ちます。

このパターンの中心となるのは、次の 4 つの主要なステップです。

大規模な分析を実行する: BigQuery の Places Insights の場所数関数を使用して、都市や地域全体など、広範囲の地理情報にわたる場所データを分析します。
サンプルを分離して抽出する: 関心のある領域（高密度の「ホットスポット」）を抽出して、関数によって提供される sample_place_ids を抽出します。
グラウンドトゥルースの詳細を取得する: 抽出したプレイス ID を使用して、Place Details API にターゲットを絞った呼び出しを行い、各場所の豊富な現実世界の詳細を取得します。
複合可視化を作成する: 詳細な場所データを初期の概要統計地図の上に重ねて、集計されたカウントが実際の状況を反映していることを視覚的に検証します。

ソリューションのワークフロー

このワークフローを使用すると、マクロレベルのトレンドとミクロレベルの事実のギャップを埋めることができます。まず、広範な統計ビューから始め、戦略的にドリルダウンして、具体的な実際の例でデータを検証します。

Places Insights を使用して場所の密度を大規模に分析する

まず、状況を大まかに把握します。数千もの個々のスポット（POI）を取得する代わりに、1 つのクエリを実行して統計的概要を取得できます。

この場合は、Places Insights の PLACES_COUNT_PER_H3 関数が最適です。POI の数を六角形グリッドシステム（H3）に集計することで、特定の条件（高評価の営業中のレストランなど）に基づいて、密度が高いエリアと低いエリアをすばやく特定できます。

クエリの例を次に示します。検索エリアの地理情報を指定する必要があります。Overture Maps Data BigQuery 一般公開データセットなどのオープンデータセットを使用して、地理的境界データを取得できます。

頻繁に使用されるオープンデータセットの境界については、独自のプロジェクトのテーブルに具体化することをおすすめします。これにより、BigQuery のコストが大幅に削減され、クエリのパフォーマンスが向上します。

-- This query counts all highly-rated, operational restaurants
-- across a large geography, grouping them into H3 cells.
SELECT *
FROM
  `places_insights___gb.PLACES_COUNT_PER_H3`(
    JSON_OBJECT(
      'geography', your_defined_geography,
      'h3_resolution', 8,
      'types', ['restaurant'],
      'business_status', ['OPERATIONAL'],
      'min_rating', 3.5
    )
  );

このクエリの出力は、H3 セルのテーブルと、各セル内の場所の数です。これは、密度ヒートマップの基礎となります。

h3_cell_index、count、sample_place_ids の列を示す BigQuery クエリ結果のテーブル。

ホットスポットを分離してサンプルプレイス ID を抽出する

PLACES_COUNT_PER_H3 関数の結果も sample_place_ids の配列を返します。レスポンスの要素ごとに最大 250 個のプレイス ID が返されます。これらの ID は、集計された統計情報から、その統計情報に貢献した個々の場所へのリンクです。

システムは、まず最初のクエリから最も関連性の高いセルを特定します。たとえば、カウントが最も多い上位 20 個のセルを選択できます。次に、これらのホットスポットから sample_place_ids を 1 つのリストに統合します。このリストは、最も関連性の高いエリアから最も興味深いスポットを厳選したサンプルであり、ターゲットを絞った確認の準備に役立ちます。

pandas DataFrame を使用して Python で BigQuery の結果を処理している場合、これらの ID を抽出するロジックは簡単です。

# Assume 'results_df' is a pandas DataFrame from your BigQuery query.

# 1. Identify the 20 busiest H3 cells by sorting and taking the top results.
top_hotspots_df = results_df.sort_values(by='count', ascending=False).head(20)

# 2. Extract and flatten the lists of sample_place_ids from these hotspots.
# The .explode() function creates a new row for each ID in the lists.
all_sample_ids = top_hotspots_df['sample_place_ids'].explode()

# 3. Create a final list of unique Place IDs to verify.
place_ids_to_verify = all_sample_ids.unique().tolist()

print(f"Consolidated {len(place_ids_to_verify)} unique Place IDs for spot-checking.")

他のプログラミング言語を使用する場合も、同様のロジックを適用できます。

Places API でグラウンドトゥルースの詳細を取得する

場所 ID の統合リストが作成されたら、大規模な分析から特定のデータ取得に移行します。これらの ID を使用して、各サンプルロケーションの詳細情報を Place Details API にクエリします。

これは重要な検証ステップです。Places Insights では、あるエリアに何軒のレストランがあるかを知ることができましたが、Places API では、どのレストランがあるかを知ることができます。レストランの名前、正確な住所、緯度/経度、ユーザー評価、さらには Google マップ上の場所への直接リンクも提供されます。これにより、サンプルデータが拡充され、抽象的な ID が具体的な検証可能な場所に変換されます。

Place Details API から利用できるデータの完全なリストと、取得に関連する費用については、API ドキュメントをご覧ください。API から返されるデータを制御するために、リクエストに FieldMask が設定されます。

Python クライアントライブラリを使用して特定の ID の Places API にリクエストを送信すると、次のようになります。

# A request to fetch details for a single Place ID.
request = {"name": f"places/{place_id}"}

# Define the fields you want returned in the response as a comma-separated string.
fields_to_request = "displayName,formattedAddress,location,googleMapsUri"

# The response contains ground truth data.
response = places_client.get_place(
    request=request,
    metadata=[("x-goog-fieldmask", fields_to_request)]
)

詳細については、Places API（新版）のクライアントライブラリの例をご覧ください。

検証用の複合可視化を作成する

最後のステップは、両方のデータセットを 1 つのビューにまとめることです。これにより、初期分析を直感的かつ迅速に確認できます。ビジュアリゼーションには次の 2 つのレイヤが必要です。

ベースレイヤ: 最初の PLACES_COUNT_PER_H3 の結果から生成された等値地図またはヒートマップ。地理全体にわたる場所の全体的な密度を示します。
最上位レイヤ: 各サンプルスポットの個々のマーカーのセット。前の手順で Places API から取得した正確な座標を使用してプロットされます。

この結合ビューを構築するロジックは、次の疑似コードの例で表されます。

# Assume 'h3_density_data' is your aggregated data from Step 1.
# Assume 'detailed_places_data' is your list of place objects from Step 3.

# Create the base choropleth map from the H3 density data.
# The 'count' column determines the color of each hexagon.
combined_map = create_choropleth_map(
    data=h3_density_data,
    color_by_column='count'
)

# Iterate through the detailed place data to add individual markers.
for place in detailed_places_data:
    # Construct the popup information with key details and a link.
    popup_html = f"""
    <b>{place.name}</b><br>
    Address: {place.address}<br>
    <a href="{place.google_maps_uri}" target="_blank">View on Maps</a>
    """

    # Add a marker for the current place to the base map.
    combined_map.add_marker(
        location=[place.latitude, place.longitude],
        popup=popup_html,
        tooltip=place.name
    )

# Display the final map with both layers.
display(combined_map)

特定のグラウンドトゥルースマーカーを大まかな密度マップに重ね合わせることで、ホットスポットとして特定されたエリアに、分析対象の場所が実際に高密度で含まれていることをすぐに確認できます。この視覚的な確認により、データドリブンな結論に対する信頼性が大幅に高まります。

まとめ

このアーキテクチャパターンは、大規模な地理空間分析情報を検証するための堅牢で効率的な方法を提供します。Places Insights を活用して広範でスケーラブルな分析を行い、Place Details API を活用してターゲットを絞ったグラウンドトゥルースの検証を行うことで、強力なフィードバックループを作成できます。これにより、小売店の立地選定や物流計画などの戦略的決定が、統計的に有意であるだけでなく、検証可能な正確なデータに基づいて行われるようになります。

次のステップ

他の場所のカウント関数を調べて、さまざまな分析の質問にどのように回答できるかを確認します。
Places API のドキュメントで、分析をさらに充実させるためにリクエストできる他のフィールドを確認してください。

寄稿者

DevX エンジニア | Henrik Valve