🚚 SmartCargo - Оптимизация на доставките в Румъния

Транспортната компания „SmartCargo România" се нуждае от интелигентни решения за подобряване на оценките относно продължителността на доставките. Ти си новият специалист по data science в екипа, а мисията ти е да построиш точни модели, които да предсказват времената за доставка между градовете в Румъния.

🎯 Твоята основна цел

Трябва да анализираш исторически данни относно курсовете между градове и да разбереш как фактори като разстоянието, часът от деня, времето, трафикът или опитът на шофьора влияят върху действителната продължителност на доставката.

Целта ти е да построиш модел на Machine Learning, способен да предсказва очакваното време за нови курсове.

---

📦 Транспортните данни

Всеки ред от файловете train_data.csv и test_data.csv представлява доставка между два града в Румъния.

Всяка доставка съдържа следните детайли:

Колона	Описание
ID	Уникален идентификатор на курса
City A	Град на заминаване (като текст)
City B	Град на дестинация (като текст)
Distance	Действителното разстояние между градовете (в километри)
Time of Day	Момент от деня, изразен в минути от полунощ, когато заминава курс (0 - 1439)
Weather	Времето по време на курса (Clear, Rain, Snow, Fog)
Traffic	Ниво на трафика по числова скала (0.0 - 1000.0), максимумът означава най-натоварен
Road Quality	Качество на пътя по числова скала (1 - 1000), максимумът означава най-качествен
Driver Experience	Ниво на опит на шофьора (1 - 40 години)
deliver_time	Само в train_data.csv: действителното време за доставка в минути

---

🎯 Твоята мисия

Операционният мениджър ти даде следните две основни задачи за подобряване на операциите на „SmartCargo".

Множеството данни за предсказание (test_data.csv) съдържа образци със същите характеристики като множеството за обучение, но без колоната predicted_time.

Вашият модел ще генерира предсказания за тези образци.

Подзадачи

• Задача 1 (20т): Ситуацията в Бърлад: важен клиент от Бърлад съобщи за чести закъснения при курсовете в условия на мъгла. Мениджърът иска да разбере колко курса заминават от Бърлад и при време с мъгла (Fog) в множеството данни за предсказание. Намери и съобщи броя на тези курсове.
• Задача 2: Оценка на времената за неизвестни курсове: Мениджърът има списък с нови курсове, за които не знае времената за придвижване. Трябва да използваш историческите данни (от множеството за обучение), за да обучиш модели за предсказание и след това да оцениш времената за доставка за всички курсове от множеството данни за предсказание.

Формат на изхода

Файл csv output.csv, който да включва следните 3 колони:

• subtaskID - представлява номера на подзадачата (1, 2)
• datapointID - който се отнася до колоната ID от test_data.csv
• answer - съответният отговор на точката от данни за съответната подзадача

Забележка: За подзадача 1, при която се изисква един отговор за цялото множество данни, покажете един ред, чийто datapointID да бъде 1.

Изпратете един csv, който да съдържа отговорите за всички подзадачи, които сте решили. За да видите пример, изтеглете файла sample_output.csv (Забележка: този, въпреки че е в правилния формат, получава 0 точки при подаване).

Резултат

Резултатите за подзадачите ще се изчисляват както следва:

• Подзадача 1: цял отговор, получавате 20 точки само ако е правилен.
• Подзадача 2: в зависимост от производителността на вашия модел, използвайки метриката MAE (Mean Absolute Error) върху множеството тестови данни. Можете да намерите точния начин за изчисляване на резултата въз основа на MAE в Starter Kit.

👉 📦 Изтегли Starter Kit OJIA 2025