درباره داده‌های «اطلاعات آماری درباره پویایی جمعیت»

درک داده‌ها

اگرچه جاسازی‌ها برای چندین کشور دردسترس است، اما طرحواره در همه مجموعه‌های داده یکسان است. جاسازی‌ها در فهرستگان‌های جداگانه BigQuery برای هر کشور سازمان‌دهی می‌شوند.

کالبدشناسی بردار جاسازی

ستون features یک بردار ۳۳۰ بعدی است (که به‌عنوان آرایه REPEATED FLOAT در BigQuery ذخیره شده است). هر بخش از آرایه مربوط به یک سیگنال داده خاص است که توسط مدل «پویایی جمعیت» استخراج شده است.

درک این ساختار امکان حذف ویژگی را فراهم می‌کند (برای مثال، تعیین اینکه رفتار جستجو در مقایسه با آب‌وهوا چقدر فروش را پیش‌بینی می‌کند).

شاخص‌های برداری منبع داده شرح
۰ تا ۱۲۷ روندهای جستجوی تجمیعی علایق و نگرانی‌های منطقه‌ای را ثبت می‌کند (برای مثال، جستجو برای «باشگاه»، «علائم آنفولانزا»، «کالاهای لوکس»).
۱۲۸ – ۲۵۵ ‫Maps و شلوغی محیط ساخت (مکان‌های جالب مانند بیمارستان‌ها، پارک‌ها، مدارس) و تراکم فعالیت‌های انسانی را ثبت می‌کند.
‫۲۵۶ – ۳۲۹ آب‌وهوا و کیفیت هوا بافت محیطی (دما، بارش، شاخص کیفیت هوا، باد) را ضبط می‌کند.

ستون‌های کلیدی و فراداده

جدول جاسازی‌ها حاوی فراداده‌های فضایی است که امکان تجزیه‌وتحلیل جغرافیایی فضایی، فیلتر کردن، و قابلیت کار با دیگر سرویس‌های Google Maps Platform را فراهم می‌کند.

  • geo_id: شناسه اصلی منطقه. برای مجموعه‌داده‌های سلول S2، این همان کد سلول S2 است که به‌صورت رشته شانزده‌شانزدهی (برای مثال، '80ead45') نشان داده می‌شود. از این به‌عنوان کلید پیوستن اصلی خود استفاده کنید.
  • ‫geo_name: نام قابل‌خواندن برای انسان منطقه. توجه: برای مجموعه داده‌های شبکه S2، سلول‌های ریاضی نام‌های استاندارد ندارند، بنابراین این ستون دقیقاً همان کد geo_id را خواهد داشت. این کار برای حفظ ساختار ستون یکسان در همه پیشنهادهای «پویایی جمعیت» طراحی شده است.
  • administrative_area_level_1_id: شناسه مکان Google Maps منحصربه‌فرد برای مرز اداری سطح بالا (برای مثال، ایالت یا استان).
  • administrative_area_level_1_name: نام قابل‌خواندن برای انسان برای مرز سطح بالا (برای مثال، 'California').
  • administrative_area_level_2_id: «شناسه مکان Google Maps» یکتای مربوط به مرز اداری ثانویه (برای نمونه، شهرستان یا منطقه).
  • administrative_area_level_2_name: نام قابل‌خواندن برای انسان برای محدوده ثانویه (برای نمونه، 'Tulare County').
  • features: بردار جاسازی ۳۳۰ بعدی اصلی که به‌صورت بومی به‌عنوان ARRAY<FLOAT64> ذخیره می‌شود. بار کردن این داده‌ها در کتابخانه Pandas Python نیازمند مسطح کردن یا تبدیل به ماتریس NumPy است.

پرسشگان

آیا می‌توانم به داده‌های ورودی خام (برای مثال، پرسمان‌های جستجوی خاص یا ردپاهای جابه‌جایی) دسترسی داشته باشم؟

نه. جاسازی‌های «اطلاعات آماری درباره پویایی جمعیت» از نشان‌های انبوهشی و حافظ حریم خصوصی تولید می‌شود. برای اطمینان از حریم خصوصی کاربر، ردپای کاربر خاص، سابقه جستجوی فردی، یا الگوهای جابه‌جایی خام را ارائه نمی‌دهیم. جاسازی‌ها نمایشی پنهان از این رفتارها ارائه می‌دهند که برای مدل‌سازی و پیش‌بینی بهینه‌سازی شده است، نه برای تجزیه‌وتحلیل خام.

آیا ابعاد بردار قابل‌تفسیر هستند (برای مثال، آیا «بُعد ۵» «قهوه» است)؟

بردارها نمایش‌های نهان هستند، یعنی الگوهای انتزاعی را به‌جای برچسب‌های خاص و قابل‌خواندن توسط انسان ضبط می‌کنند. اگرچه می‌دانیم که شاخص‌های ۰ تا ۱۲۷ از «گرایش‌های جستجو» گرفته شده‌اند، یک شاخص خاص (مثل شاخص ۵) به‌صورت یک‌به‌یک به یک کلیدواژه واحد مثل «قهوه» نگاشت نمی‌شود. بلکه نشان‌دهنده ویژگی پیچیده‌ای از رفتار جستجو است که مدل یاد گرفته است.

آیا مجموعه داده شامل مرزهای چندضلعی (فایل‌های Shapefile) است؟

این مجموعه داده‌ها کدهای سلول S2 (geo_id) و شناسه‌های مکان را برای شناسه‌های جغرافیایی (مانند مناطق admin 1 و admin 2) ارائه می‌دهد، اما شامل هندسه چندضلعی خام (WKT/Shapefiles) برای مناطق سلول S2 نیست. حذف هندسه‌های raw از تورم فضای ذخیره‌سازی جلوگیری می‌کند و هزینه‌های اسکن BigQuery را برای خطوط لوله ML که فقط به بردارهای ویژگی نیاز دارند کاهش می‌دهد. علاوه‌براین، پیوستن به رشته‌های S2 بسیار سریع‌تر و ازنظر محاسباتی کارآمدتر از اجرای تقاطع‌های چندضلعی فضایی است.

  • برای مختصات نقطه‌ای: برای پیوستن داده‌های نقطه‌ای (مانند مکان‌های نقطه موردعلاقه یا مرکزهای فروشگاه) با «اطلاعات آماری پویایی جمعیت»، مختصات طول/عرض جغرافیایی را بااستفاده از S2_CELLIDFROMPOINT همراه با ST_GEOGPOINT به کدهای سلولی S2 سطح ۱۲ تبدیل کنید (به تبدیل مختصات نقطه‌ای به کدهای هگزادسیمال S2 سطح ۱۲ مراجعه کنید).
  • برای مرزهای منطقه: اگر لازم است مرزهای سفارشی را با اطلاعات آماری پویایی جمعیت تقاطع دهید، توصیه می‌کنیم چندضلعی‌های سفارشی‌تان را بااستفاده از S2_COVERINGCELLIDS به پوشش نشان‌های سلول «سطح ۱۲ S2» تبدیل کنید (به تولید پوشش نشان‌های سلول «سطح ۱۲ S2» برای چندضلعی مراجعه کنید) یا این مجموعه داده را با مجموعه داده‌های مرز عمومی موجود در «داده‌های عمومی BigQuery» پیوند دهید.
  • برای تبدیل هندسه و دیداری‌سازی: توابع جغرافیایی داخلی BigQuery تبدیل یک‌طرفه (هندسه → شناسه سلول S2) را انجام می‌دهند. برای تبدیل کردن کدهای سلول S2 به هندسه‌های چندضلعی برای ابزارهای GIS یا نقشه‌برداری، می‌توانید از کتابخانه‌های سمت کارخواه مثل s2sphere Python استفاده کنید. برای نمونه کدها و دستورالعمل‌ها، به دریافت هندسه سلول S2 از یک کد هگز سطح ۱۲ S2 مراجعه کنید.