जनसंख्या में बदलाव से जुड़ी अहम जानकारी के एम्बेड किए गए कॉम्पोनेंट का इस्तेमाल करना

सटीक डेटा तैयार करना

पॉपुलेशन डाइनैमिक्स एम्बेडिंग का इस्तेमाल करने के लिए, सटीक डेटा को किसी काम की भौगोलिक सीमा के हिसाब से इकट्ठा करना ज़रूरी है. दुनिया भर में, एडमिन की सीमाओं के टाइप अलग-अलग होते हैं. इसलिए, अपने डेटा को यूनिवर्सल मैथमैटिकल ग्रिड सिस्टम (जैसे, S2 सेल) या स्थानीय एडमिन इलाकों (जैसे, काउंटी या ज़िले) के हिसाब से अलाइन किया जा सकता है. यह इस बात पर निर्भर करता है कि किस देश का डेटासेट इस्तेमाल किया जा रहा है.

पहला विकल्प: मौजूदा मॉडल में एम्बेडिंग शामिल करना

• मौजूदा मॉडल के आधार पर सटीक डेटा तैयार करना: मौजूदा मॉडल को बेहतर बनाने के लिए, एम्बेडिंग को जियोस्पेशल कोवेरिएट के तौर पर इस्तेमाल करें.
• गड़बड़ी ठीक करने वाला मॉडल तैयार करना: मौजूदा मॉडल को बेहतर बनाने के लिए, एम्बेडिंग को किसी ऐसे मॉडल में इंटिग्रेट करें जो ओरिजनल मॉडल का आउटपुट, अनुमानित वैल्यू या सटीक डेटा, और एम्बेडिंग लेता है, ताकि गड़बड़ी ठीक करने का नया मॉडल तैयार किया जा सके.

दूसरा विकल्प: खास इस्तेमाल के मामलों के लिए ट्यून करना

• अनुमान लगाने वाला मॉडल चुनना: अनुमान लगाने के लिए, GBDT, MLP या लीनियर जैसे किसी भी मॉडल का इस्तेमाल किया जा सकता है.
• अनुमान लगाने के लिए एम्बेडिंग का इस्तेमाल करना: अनुमान की सटीकता को बेहतर बनाने के लिए, पॉपुलेशन डाइनैमिक्स एम्बेडिंग को इनपुट फ़ीचर के तौर पर इस्तेमाल करें. इसके साथ-साथ, कॉन्टेक्चुअल डेटा का भी इस्तेमाल करें.

क्वेरी के उदाहरण

your-project.your_dataset.embeddings_table की जगह, अपना असल प्रोजेक्ट, डेटासेट, और टारगेट टेबल का नाम डालें.

SQL: एम्बेडिंग फ़ेच करना

यह क्वेरी, आपके प्रोविज़न किए गए डेटासेट में मौजूद S2 सेल के लिए, एम्बेडिंग वेक्टर और एडमिन मेटाडेटा को वापस लाती है.

SELECT
  geo_id,
  administrative_area_level_1_name AS state,
  administrative_area_level_2_name AS county,
  features -- The 330-dim vector
FROM
  `your-project.your_dataset.embeddings_table`
LIMIT 10;

SQL: मिलती-जुलती जगहें ढूंढना

यह क्वेरी, बाहरी डेटा की ज़रूरत के बिना, व्यवहार के हिसाब से मिलती-जुलती जगहों की पहचान करती है.

यह कोसाइन सिमिलैरिटी की गणना करने के लिए, ML.DISTANCE फ़ंक्शन का इस्तेमाल करती है. साथ ही, टारगेट S2 सेल के लिए सबसे सही मैच वापस लाती है. इस तरीके से, विस्तार की योजना बनाने से जुड़े परिदृश्यों में मदद मिलती है. जैसे, किसी मौजूदा जगह के प्रोफ़ाइल के आधार पर, यह तय करना कि नई दुकान कहां खोली जाए.

अहम जानकारी: S2 सेल को विज़ुअलाइज़ करना. इस डेटासेट में अक्षांश/देशांतर पॉइंट के बजाय, S2 सेल टोकन का इस्तेमाल किया जाता है. इसलिए, नतीजों को मैप पर विज़ुअलाइज़ करने के लिए, S2 सेल आईडी को उसके पॉलीगॉन ज्यामिति में बदलना या उससे जोड़ना ज़रूरी है.

WITH TargetLocation AS (
  SELECT features AS target_vector
  FROM `your-project.your_dataset.embeddings_table`
  -- Replace with your target S2 hex token (e.g., '80ead45')
  WHERE geo_id = 'YOUR_TARGET_S2_TOKEN'
)

SELECT
  t.geo_id,
  t.administrative_area_level_1_name AS state,
  t.administrative_area_level_2_name AS county,
  -- 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.your_dataset.embeddings_table` t,
  TargetLocation p
WHERE
  t.geo_id != `YOUR_TARGET_S2_TOKEN` -- Exclude the target itself
ORDER BY
  similarity_score DESC
LIMIT 20;

SQL: ग्राहक के डेटा को जोड़ना

इस उदाहरण में बताया गया है कि व्यवहार से जुड़ी एम्बेडिंग की मदद से, अपने इंटरनल डेटा (उदाहरण के लिए, दुकान के परफ़ॉर्मेंस की टेबल) को कैसे बेहतर बनाया जा सकता है. पक्का करें कि आपके इंटरनल डेटा में, मिलते-जुलते S2 सेल टोकन (हेक्स स्ट्रिंग) शामिल हों.

SELECT
  store.store_id,
  store.s2_token,
  store.total_revenue,
  embeddings.features AS pdfm_vector
FROM
  `your-project.internal_data.store_performance` AS store
JOIN
  `your-project.your_dataset.embeddings_table` AS embeddings
ON
  -- Join based on the S2 hex token string
  store.s2_token = embeddings.geo_id

Python: मशीन लर्निंग के लिए डेटा लोड करना

एम्बेडिंग को BigQuery ऐरे के तौर पर सेव किया जाता है. इन्हें एमएल लाइब्रेरी में इस्तेमाल करने के लिए, आपको कॉलम को NumPy मैट्रिक्स में बदलना होगा.

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

client = bigquery.Client()

query = """
    SELECT
        geo_id,
        features -- Returns as a list of floats
    FROM
        `your-project.your_dataset.embeddings_table`
    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)