জনসংখ্যার গতিশীলতার অন্তর্দৃষ্টি - মার্কিন পোস্টাল কোড

ডেভেলপার ডকুমেন্টেশন

পণ্যের বিবরণ

পপুলেশন ডাইনামিক্স ইনসাইটস (পিডিআই) হলো একটি এমবেডিংস ডেটাসেট যা মানুষের আচরণ এবং পরিবেশের সাথে আমাদের মিথস্ক্রিয়া সম্পর্কিত ডেটাকে নির্দিষ্ট স্থানে সংক্ষিপ্ত, বিশ্লেষণ-উপযোগী এমবেডিংস (বা "ডিজিটাল ফিঙ্গারপ্রিন্ট")-এ রূপান্তরিত করে।

এই এমবেডিংগুলো সার্চ ট্রেন্ড, ব্যস্ততার ট্রেন্ড এবং পরিবেশগত পরিস্থিতি (মানচিত্র, বায়ুর গুণমান, আবহাওয়া)-এর মতো সমষ্টিগত ডেটার মধ্যেকার প্যাটার্নগুলো ধারণ করে, যা জনগোষ্ঠী কীভাবে তাদের পারিপার্শ্বিকতার সাথে যুক্ত হয় তার একটি সমৃদ্ধ ও স্থান-নির্দিষ্ট চিত্র তুলে ধরে। স্থান ও সময় জুড়ে সমষ্টিবদ্ধ এই এমবেডিংগুলো গোপনীয়তা নিশ্চিত করার পাশাপাশি জনস্বাস্থ্য থেকে শুরু করে আর্থ-সামাজিক মডেলিং পর্যন্ত বিভিন্ন অ্যাপ্লিকেশনের জন্য সূক্ষ্ম স্থানিক বিশ্লেষণ এবং পূর্বাভাস সক্ষম করে।

পণ্যের সংক্ষিপ্ত বিবরণ

জনসংখ্যা গতিবিদ্যার এমবেডিংগুলো একটি বিশেষভাবে নির্মিত মেশিন লার্নিং মডেল ব্যবহার করে তৈরি করা হয়, যা বিভিন্ন বৈশিষ্ট্যের উপর প্রশিক্ষিত এবং একটি ঘনীভূত ভেক্টর উপস্থাপনায় রূপান্তরিত। এই এমবেডিংগুলো নিম্নলিখিত উৎস থেকে প্রশিক্ষিত ও তৈরি করা হয়:

• সামগ্রিক অনুসন্ধান প্রবণতা : অনুসন্ধান তথ্যে প্রতিফলিত আঞ্চলিক আগ্রহ ও উদ্বেগ।
• সমন্বিত মানচিত্র ডেটা (ব্যস্ততা সহ) : অঞ্চলগুলির সুযোগ-সুবিধা, পরিষেবা এবং ব্যবসা, সেইসাথে স্থানীয় পরিদর্শনের প্রবণতা।
• সামগ্রিক আবহাওয়া ও বায়ুর গুণমান : তাপমাত্রা ও বায়ুর গুণমান সহ জলবায়ু-সম্পর্কিত পরিমাপকসমূহ।

গোপনীয়তা রক্ষা করে এমন স্থানীয় ও প্রাসঙ্গিক এমবেডিং তৈরি করার জন্য এই বৈশিষ্ট্যগুলো পোস্টাল কোড স্তরে একত্রিত করা হয়। পিডিআই একটি চলমান, সময়-ধারার ডেটাসেট, যেখানে প্রতি মাসে নতুন ডেটা স্লাইস প্রক্রিয়াজাত ও বিভক্ত করা হয়। পরবর্তী ক্যালেন্ডার মাসের শেষ দিনের মধ্যে ডেটা রিফ্রেশ করে ডেটা টেবিলে যুক্ত করা হয় (উদাহরণস্বরূপ, ফেব্রুয়ারির ডেটা ৩১শে মার্চের মধ্যে প্রকাশ করা হয়)।

পূর্বশর্ত

পপুলেশন ডাইনামিক্স এমবেডিং অ্যাক্সেস করার জন্য, আপনাকে অবশ্যই অ্যাক্সেস দেওয়া থাকতে হবে। যদি আপনার অ্যাক্সেস না থাকে, তাহলে আপনার সেলস বা কাস্টমার ইঞ্জিনিয়ারিং প্রতিনিধির সাথে যোগাযোগ করুন।

• ক্লাউড কনসোলে অ্যানালিটিক্স হাব এপিআই সক্রিয় করুন।
• ক্লাউড কনসোলে BigQuery API সক্রিয় করুন।
• BigQuery প্রোডাক্ট সম্পর্কে কার্যকরী জ্ঞান থাকতে হবে।
• সাবস্ক্রাইবারের কাজগুলো সম্পাদন করার জন্য নিশ্চিত করুন যে আপনার অ্যাকাউন্টে অ্যানালিটিক্স হাব সাবস্ক্রিপশন ওনার ( roles/analyticshub.subscriptionOwner ) রোলটি রয়েছে।
• ডেটা সেট তৈরি করার জন্য নিশ্চিত করুন যে আপনার অ্যাকাউন্টে BigQuery User ( roles/bigquery.user ) রোলটি রয়েছে।

প্রস্তাবিত প্রশিক্ষণ

আপনি যদি এমবেডিং বা বিগকোয়েরি মেশিন লার্নিং নিয়ে কাজ করার ক্ষেত্রে নতুন হন, তাহলে আপনার বিশ্লেষণ শুরু করার আগে আমরা নিম্নলিখিত প্রশিক্ষণ সামগ্রীগুলি সম্পূর্ণ করার জন্য দৃঢ়ভাবে সুপারিশ করছি:

• মেশিন লার্নিং ক্র্যাশ কোর্স: এমবেডিংস : মেশিন লার্নিং মডেলগুলো কীভাবে শব্দার্থগত সম্পর্ক অক্ষুণ্ণ রেখে এমবেডিংস ব্যবহার করে উচ্চ-মাত্রিক ডেটাকে নিম্ন-মাত্রিক পরিসরে রূপান্তর করে, তার একটি মৌলিক ও দ্রুতগতির সংক্ষিপ্ত বিবরণ।
• ভেক্টর সার্চ ও এমবেডিং দিয়ে শুরু করা : একটি ব্যবহারিক গুগল ক্লাউড স্কিলস বুস্ট ল্যাব যা ভেক্টর এমবেডিং, সিমান্টিক সিমিলারিটি এবং বৃহত্তর গুগল ক্লাউড ইকোসিস্টেমের মধ্যে কীভাবে এমবেডিং ব্যবহার করতে হয় তার সাথে পরিচয় করিয়ে দেয়।
• BigQuery মেশিন লার্নিং (BQML) টিউটোরিয়াল : যেহেতু PDI ডেটাসেটটি BigQuery-তে হোস্ট করা আছে, এটি আপনাকে ডেটা এক্সপোর্ট করার প্রয়োজন ছাড়াই সাধারণ SQL ব্যবহার করে সরাসরি এমবেডিংগুলোর উপর মেশিন লার্নিং মডেল প্রশিক্ষণ ও কার্যকর করতে দেয়।

এমবেডিং ব্যবহার করুন

ডেটা বুঝুন

আপনার বিশ্লেষণ শুরু করার আগে, স্কিমা কাঠামোটি পর্যালোচনা করার জন্য একটু সময় নিন।

ডেটাসেট সংগঠন

প্রতিটি দেশ বা পরীক্ষা অঞ্চলের জন্য এমবেডিংগুলো আলাদা BigQuery টেবিলে সাজানো হয়।

এমবেডিং ভেক্টরের গঠন

' features ' কলামটি একটি ৩৩০-মাত্রিক ভেক্টর (যা BigQuery-তে একটি REPEATED FLOAT অ্যারে হিসেবে সংরক্ষিত)। অ্যারেটির প্রতিটি অংশ পপুলেশন ডাইনামিক্স মডেল দ্বারা নিষ্কাশিত একটি নির্দিষ্ট ডেটা সিগন্যালের সাথে সঙ্গতিপূর্ণ।

এই কাঠামোটি বোঝার মাধ্যমে ফিচার অ্যাবলেশন করা সম্ভব হয় (উদাহরণস্বরূপ, আবহাওয়ার তুলনায় সার্চ আচরণ বিক্রয় কতটা পূর্বাভাস দেয় তা নির্ধারণ করা)।

ভেক্টর সূচক	ডেটা উৎস	বর্ণনা
০ – ১২৭	সামগ্রিক অনুসন্ধান প্রবণতা	আঞ্চলিক আগ্রহ ও উদ্বেগগুলো তুলে ধরে (উদাহরণস্বরূপ, 'জিম,' 'ফ্লুর লক্ষণ,' 'বিলাসবহুল পণ্য' সম্পর্কিত অনুসন্ধান)।
১২৮ – ২৫৫	মানচিত্র ও ব্যস্ততা	দর্শনীয় স্থানগুলো দেখানোর জন্য নির্মিত পরিবেশ (হাসপাতাল, পার্ক, স্কুলের মতো দর্শনীয় স্থান) এবং মানুষের আনাগোনা তুলে ধরে।
২৫৬ – ৩২৯	আবহাওয়া ও বায়ুর গুণমান	পরিবেশগত প্রেক্ষাপট ধারণ করে (তাপমাত্রা, বৃষ্টিপাত, বায়ুর গুণমান)।

মূল কলাম এবং মেটাডেটা

এমবেডিংস টেবিলে স্থানিক এবং কালিক মেটাডেটা থাকে, যা ভূ-স্থানিক বিশ্লেষণ, ফিল্টারিং এবং অন্যান্য পরিষেবার সাথে আন্তঃকার্যক্ষমতা সক্ষম করে।

যেহেতু একটি একক পোস্টাল কোড মাঝে মাঝে প্রশাসনিক সীমানা (যেমন কাউন্টি লাইন) অতিক্রম করতে পারে, তাই প্রশাসনিক এলাকার ফিল্ডগুলো অ্যারে হিসেবে প্রদান করা হয়।

• geo_id : এই পোস্টাল কোডের সাথে যুক্ত অনন্য স্থান আইডি।
• geo_name : অঞ্চলের পোস্টাল কোড স্ট্রিং (উদাহরণস্বরূপ, '90210' )।
• administrative_area_level_1_names : শীর্ষ-স্তরের সীমানাগুলির জন্য মানুষের পাঠযোগ্য নামগুলির একটি তালিকা ( ARRAY<STRING> ) (উদাহরণস্বরূপ, ['California'] )।
• administrative_area_level_1_ids : এই পোস্টাল কোডটি যে শীর্ষ-স্তরের প্রশাসনিক সীমানাগুলোকে ছেদ করে (যেমন, রাজ্য বা প্রদেশ), সেগুলোর অনন্য স্থান আইডিগুলোর একটি তালিকা ( ARRAY<STRING> )।
• administrative_area_level_2_names : দ্বিতীয় পর্যায়ের সীমানাগুলোর পাঠযোগ্য নামের একটি তালিকা ( ARRAY<STRING> ) (উদাহরণস্বরূপ, ['Los Angeles County'] )।
• administrative_area_level_2_ids : এই পোস্টাল কোডটি যে সকল দ্বিতীয় প্রশাসনিক সীমানার (যেমন, কাউন্টি বা জেলা) সাথে ছেদ করে, সেগুলির অনন্য স্থান আইডিগুলির একটি তালিকা ( ARRAY<STRING> )।
• features : মূল ৩৩০-মাত্রিক এমবেডিং ভেক্টর, যা স্বাভাবিকভাবে একটি ARRAY<FLOAT64> হিসেবে সংরক্ষিত থাকে। পাইথন ব্যবহার করে এটিকে পান্ডাসে লোড করার জন্য ফ্ল্যাটেনিং বা নামপাই ম্যাট্রিক্সে রূপান্তর করার প্রয়োজন হয়।
• snapshot_date : YYYY-MM-DD ফরম্যাটে একটি DATE , যা শুধুমাত্র মাসের প্রথম দিনটি ব্যবহার করার জন্য প্রমিত করা হয়েছে। এটি সেই নির্দিষ্ট মাসিক সময়কালকে নির্দেশ করে, যেখান থেকে এমবেডিংস ডেটা তৈরি করার জন্য ইনপুট ফিচারগুলো একত্রিত করা হয়েছিল। উদাহরণস্বরূপ, এপ্রিল ২০২৬-এর ডেটা 2026-04-01 হিসাবে ফরম্যাট করা হবে।

পরামর্শ: প্লেস আইডি ব্যবহার : geo_id এবং প্রশাসনিক সীমানা আইডি অন্তর্ভুক্ত করার ফলে ডেটাসেটটি স্বাভাবিকভাবেই প্লেস আইডি ব্যবহার করে। এর ফলে আপনি একটি সাধারণ প্লেস আইডি ব্যবহার করে প্লেসেস এপিআই (Places API) বা জিওকোডিং এপিআই (Geocoding API)-এর সাথে এই ডেটাসেটটি নির্বিঘ্নে যুক্ত করতে পারবেন এবং ভৌগোলিক নামের অস্পষ্ট স্ট্রিং মেলানোর (fuzzy string matching) সমস্যা পুরোপুরি এড়াতে পারবেন।

গ্রাউন্ড ট্রুথ ডেটা প্রস্তুত করুন

পপুলেশন ডাইনামিক্স এমবেডিং ব্যবহার করার জন্য, আপনার গ্রাউন্ড ট্রুথ ডেটা অবশ্যই একটি সমর্থিত ভৌগোলিক সীমানায় (পোস্টাল কোড) একত্রিত করতে হবে।

বিকল্প ১: বিদ্যমান মডেলে এমবেডিং অন্তর্ভুক্ত করা

1. বিদ্যমান মডেল-ভিত্তিক গ্রাউন্ড ট্রুথ প্রস্তুত করুন : একটি বিদ্যমান মডেলকে উন্নত করতে এমবেডিংগুলিকে ভূ-স্থানিক কোভেরিয়েট হিসাবে ব্যবহার করুন।
2. একটি ত্রুটি সংশোধন মডেলকে প্রশিক্ষণ দিন : একটি বিদ্যমান মডেলকে উন্নত করুন, যেখানে এমবেডিংগুলিকে এমন একটি মডেলে একীভূত করা হয় যা মূল মডেলের আউটপুট, প্রত্যাশিত মান বা গ্রাউন্ড ট্রুথ এবং এমবেডিং গ্রহণ করে একটি নতুন ত্রুটি সংশোধন মডেল শেখে।

বিকল্প ২: নির্দিষ্ট ব্যবহারের জন্য সামঞ্জস্য করুন

1. পূর্বাভাস মডেলের ধরণ নির্বাচন করুন : পূর্বাভাসের জন্য GBDT, MLP বা লিনিয়ার-এর মতো যেকোনো মডেল ব্যবহার করা যেতে পারে।
2. পূর্বাভাসের জন্য এমবেডিং ব্যবহার করুন : পূর্বাভাসের নির্ভুলতা বাড়াতে, অন্যান্য প্রাসঙ্গিক তথ্যের পাশাপাশি পপুলেশন ডাইনামিক্স এমবেডিং-কে ইনপুট ফিচার হিসেবে ব্যবহার করুন।

কুইকস্টার্ট কোড স্নিপেট

আপনার অ্যাক্সেস যাচাই করতে এবং ডেটার ফরম্যাট বুঝতে এই কোড অংশগুলো ব্যবহার করুন।

দ্রষ্টব্য: যদি আপনি সেটআপের সময় এগুলি পরিবর্তন করে থাকেন, তাহলে population_dynamics___us___domestic.v1_postal_code জায়গায় আপনার আসল প্রজেক্ট, ডেটাসেট এবং টার্গেট টেবিলের নাম বসান (উদাহরণস্বরূপ, your-project . your_dataset . your_embeddings_table )।

১. SQL: একটি নির্দিষ্ট মাসের জন্য এমবেডিং সংগ্রহ করা

যেহেতু PDI একটি টাইম-সিরিজ ডেটাসেট, তাই সাধারণত snapshot_date দিয়ে ফিল্টার করা উচিত, যাতে একাধিক মাসের ডুপ্লিকেট পোস্টাল কোড না আসে। দিন অবশ্যই সবসময় -01 এ সেট করতে হবে।

SELECT
  snapshot_date,
  geo_name AS postal_code,
  geo_id AS place_id,
  features -- The 330-dim vector
FROM
  `your-project.population_dynamics___us___domestic.v1_postal_code.embeddings_table`
WHERE
  snapshot_date = '2025-10-01' -- You must use the first of the month ('-01')
LIMIT 10;

২. SQL: প্রশাসনিক এলাকা অনুযায়ী ফিল্টারিং (অ্যারে আননেস্টিং)

যেহেতু পোস্টাল কোড একাধিক প্রশাসনিক সীমানা জুড়ে বিস্তৃত হতে পারে, তাই administrative_area_* ফিল্ডগুলো অ্যারে হিসেবে সংরক্ষিত হয়। একটি নির্দিষ্ট রাজ্যের (উদাহরণস্বরূপ, 'ক্যালিফোর্নিয়া') মধ্যে থাকা সমস্ত পোস্টাল কোড ফিল্টার করার জন্য, আপনাকে BigQuery-এর UNNEST() ফাংশনটি ব্যবহার করতে হবে।

SELECT
  snapshot_date,
  geo_name AS postal_code,
  admin1_name
FROM
  your-project.population_dynamics___us___domestic.v1_postal_code.embeddings_table,
  UNNEST(administrative_area_level_1_names) AS admin1_name
WHERE
  -- On or after October 2025
  snapshot_date >= '2025-10-01' -- You must use the first of the month ('-01')
  AND admin1_name = 'California'
LIMIT 10;

৩. SQL: অনুরূপ অবস্থান খুঁজে বের করা

এই কোয়েরিটি কোনো বাহ্যিক ডেটার প্রয়োজন ছাড়াই আচরণগতভাবে অনুরূপ অবস্থানগুলি শনাক্ত করে। এটি কোসাইন সিমিলারিটি গণনা করতে ML.DISTANCE ফাংশন ব্যবহার করে এবং একটি নির্দিষ্ট পোস্টাল কোডের জন্য সেরা মিলগুলো ফেরত দেয়।

WITH TargetLocation AS (
  SELECT features AS target_vector
  FROM `your-project.population_dynamics___us___domestic.v1_postal_code.embeddings_table`
  WHERE snapshot_date = '2025-10-01' -- You must use the first of the month ('-01')
    AND geo_name = '90210' -- Replace with your target postal code
  LIMIT 1
)
SELECT
  t.geo_name AS postal_code,
  -- Calculate Similarity (1.0 is identical, 0.0 is dissimilar)
  (1 - ML.DISTANCE(t.features, p.target_vector, 'COSINE')) AS similarity_score
FROM
  `your-project.population_dynamics___us___domestic.v1_postal_code.embeddings_table` t,
  TargetLocation p
WHERE
  t.snapshot_date = '2025-10-01' -- You must use the first of the month ('-01')
  AND t.geo_name != '90210' -- Exclude the target itself
ORDER BY
  similarity_score DESC
LIMIT 20;

৪. SQL: গ্রাহকের ডেটা যুক্ত করা

এই উদাহরণটি দেখায় কিভাবে পোস্টাল কোডের উপর ভিত্তি করে জয়েন করার মাধ্যমে বিহেভিওরাল এমবেডিং ব্যবহার করে আপনার নিজস্ব অভ্যন্তরীণ ডেটাকে (যেমন, একটি স্টোর পারফরম্যান্স টেবিল) সমৃদ্ধ করা যায়।

SELECT
  store.store_id,
  store.postal_code,
  store.total_revenue,
  embeddings.features AS pdi_vector
FROM
  `your-project.internal_data.store_performance` AS store
JOIN
  `your-project.population_dynamics___us___domestic.v1_postal_code.embeddings_table` AS embeddings
ON
  store.postal_code = embeddings.geo_name
WHERE
  embeddings.snapshot_date = '2025-10-01' -- You must use the first of the month ('-01')

৫. পাইথন: মেশিন লার্নিংয়ের জন্য ডেটা লোড করা

এমবেডিংগুলো BigQuery অ্যারে হিসেবে সংরক্ষিত থাকে। ML লাইব্রেরিতে এগুলো ব্যবহার করার জন্য, আপনাকে অবশ্যই কলামটিকে একটি NumPy ম্যাট্রিক্সে রূপান্তর করতে হবে।

from google.cloud import bigquery
import numpy as np
import pandas as pd

client = bigquery.Client()

query = """
SELECT
  geo_name,
  features -- Returns as a list of floats
FROM
  `your-project.population_dynamics___us___domestic.v1_postal_code.embeddings_table`
WHERE
  snapshot_date = '2025-10-01' -- You must use the first of the month ('-01')
LIMIT 1000
"""

# 1. Load data into DataFrame
df = client.query(query).to_dataframe()

# 2. Convert the 'features' column (Series of Lists) into a Matrix (2D Array)
X_matrix = np.stack(df['features'].values)

print(f"Data Loaded. Matrix Shape: {X_matrix.shape}")
# Output: Data Loaded. Matrix Shape: (1000, 330)

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী (FAQ)

আমি কি মূল ইনপুট ডেটা (যেমন, নির্দিষ্ট সার্চ কোয়েরি বা গতিশীলতার ট্রেস) অ্যাক্সেস করতে পারি?

না। পপুলেশন ডাইনামিক্স এমবেডিংগুলো সমষ্টিগত ও গোপনীয়তা-সংরক্ষক সংকেত থেকে তৈরি করা হয়। ব্যবহারকারীর গোপনীয়তা নিশ্চিত করতে, আমরা নির্দিষ্ট ব্যবহারকারীর গতিবিধি, ব্যক্তিগত অনুসন্ধানের ইতিহাস বা চলাচলের সরাসরি প্যাটার্ন সরবরাহ করি না। এই এমবেডিংগুলো সরাসরি বিশ্লেষণের পরিবর্তে, মডেলিং এবং পূর্বাভাসের জন্য অপ্টিমাইজ করা আচরণগুলোর একটি সুপ্ত উপস্থাপনা প্রদান করে।

এমবেডিং তৈরি করতে ব্যবহৃত সার্চ টার্মগুলো আপনি কীভাবে নির্বাচন করেন?

আমরা সাধারণ সার্চ কোয়েরির পরিবর্তে নলেজ গ্রাফ (কেজি) এনটিটি ব্যবহার করি। উদাহরণস্বরূপ, "taylor swift boyfriend" এবং "kc tight end"-এর মতো কোয়েরি উভয়ই একই অন্তর্নিহিত কেজি এনটিটি ("Travis Kelce")-কে নির্দেশ করবে। এই পদ্ধতিটি ভাষা-নিরপেক্ষ, বৃহত্তর শব্দার্থিক বিভাগগুলিকে ধারণ করে এবং গোপনীয়তা উল্লেখযোগ্যভাবে বৃদ্ধি করে।

ভেক্টরের মাত্রাগুলো কি বোধগম্য (উদাহরণস্বরূপ, মাত্রা ৫ কি "কফি"?)?

না, ভেক্টরগুলো হলো সুপ্ত উপস্থাপনা। যেহেতু বৈশিষ্ট্যগুলো মেশিন লার্নিং মডেল দ্বারা শেখা হয়, তাই একটি চূড়ান্ত ভেক্টর সূচক থেকে কোনো নির্দিষ্ট উৎস ইনপুটে কোনো সরল শব্দার্থিক ম্যাপিং বা এক-এক অনুবাদ নেই। যদিও আমরা জানি সূচকের কোন ব্লকগুলো কোন ডেটাসেট থেকে এসেছে (উদাহরণস্বরূপ, সূচক ০-১২৭ সার্চ ট্রেন্ডসকে প্রতিনিধিত্ব করে), সূচক ৫-এর মতো একটি নির্দিষ্ট সূচক কোনো একক কীওয়ার্ডের সাথে ম্যাপ করে না। পরিবর্তে, এটি মডেল দ্বারা শেখা একটি জটিল, বিমূর্ত বৈশিষ্ট্যকে প্রতিনিধিত্ব করে।

ডেটাসেটটিতে কি বহুভুজের সীমানা (শেপফাইল) অন্তর্ভুক্ত আছে?

না। ডেটাসেটটি পোস্টাল কোড ( geo_name ) এবং তাদের সংশ্লিষ্ট প্লেস আইডি ( geo_id ) প্রদান করে, কিন্তু এতে র পলিগন জ্যামিতি (যেমন WKT) অন্তর্ভুক্ত নেই।

আপনার ব্যবহারের ধরনের ওপর নির্ভর করে, আমরা নিম্নলিখিত পদ্ধতিগুলো সুপারিশ করি:

• গুগল ম্যাপে প্রদর্শনের জন্য : আপনি ডেটা-ড্রাইভেন স্টাইলিং ব্যবহার করে সরাসরি ম্যাপে সীমানা স্টাইল ও রেন্ডার করতে geo_id-তে দেওয়া প্লেস আইডিগুলো ব্যবহার করতে পারেন। যদিও এই সীমানাগুলো দৃশ্যমান প্রদর্শনের জন্য আদর্শ, এগুলোকে র জিওমেট্রি ফাইল হিসেবে এক্সপোর্ট করা যায় না।
• স্থানিক সংযোগ ও বিশ্লেষণের জন্য : আপনার যদি সরাসরি স্থানিক বহুভুজের প্রয়োজন হয়, তাহলে আমরা geo_name পোস্টাল কোড ব্যবহার করে এই ডেটাসেটটিকে পাবলিক বাউন্ডারি ডেটাসেটের (যেমন BigQuery পাবলিক ডেটাসেটে উপলব্ধ) সাথে যুক্ত করার পরামর্শ দিই।

এমবেডিংস ডেটাসেটের টাইম উইন্ডো কী?

ডেটাসেটে প্রতি নতুন মাস যুক্ত হওয়ার সাথে সাথে পিডিআই এমবেডিংগুলো মাসিক ভিত্তিতে আপডেট করা হয়। ডেটা snapshot_date কলাম ব্যবহার করে উপস্থাপন করা হয় ( YYYY-MM-DD ফরম্যাটে), যা একটি স্থিতিশীল বেসলাইন প্রদান করে এবং সেই নির্দিষ্ট মাসের জন্য কোনো একটি স্থানের আচরণগত ও ভৌত বৈশিষ্ট্য প্রতিফলিত করে।