🚚 SmartCargo - Optimering af leveringer i Rumænien

Transportfirmaet „SmartCargo România" har brug for intelligente løsninger til at forbedre estimater vedrørende leveringstider. Du er teamets nye data science specialist, og din mission er at bygge præcise modeller, der kan forudsige leveringstider mellem byer i Rumænien.

🎯 Dit hovedformål

Du skal analysere historiske data om ture mellem byer og forstå, hvordan faktorer som afstand, tidspunkt på dagen, vejr, trafik eller førerens erfaring påvirker den faktiske leveringstid.

Dit mål er at bygge en Machine Learning-model, der kan forudsige den estimerede tid for nye ture.

---

📦 Transportdata

Hver række i filerne train_data.csv og test_data.csv repræsenterer en levering mellem to byer i Rumænien.

Hver levering indeholder følgende detaljer:

Kolonne	Beskrivelse
ID	Unik identifikator for turen
City A	Afgangsbyens (som tekst)
City B	Destinationsbyen (som tekst)
Distance	Den faktiske afstand mellem byer (i kilometer)
Time of Day	Tidspunktet på dagen udtrykt i minutter fra midnat, når en tur starter (0 - 1439)
Weather	Vejret under turen (Clear, Rain, Snow, Fog)
Traffic	Trafikniveauet på en numerisk skala (0.0 - 1000.0), maksimum betyder mest trafikeret
Road Quality	Vejkvaliteten på en numerisk skala (1 - 1000), maksimum betyder højeste kvalitet
Driver Experience	Førerens erfaringsniveau (1 - 40 år)
deliver_time	Kun i train_data.csv: den faktiske leveringstid i minutter

---

🎯 Din mission

Driftschefen har givet dig følgende to essentielle opgaver til forbedring af „SmartCargo"s operationer.

Datasættet til Forudsigelse (test_data.csv) indeholder prøver med samme karakteristika som træningssættet, men uden kolonnen predicted_time.

Jeres model vil generere forudsigelser for disse prøver.

Delopgaver

• Opgave 1 (20p): Bârlad-situationen: en vigtig kunde fra Bârlad har rapporteret hyppige forsinkelser på ture under tåge-forhold. Chefen vil vide, hvor mange ture der starter fra Bârlad og i tåge-vejr (Fog) i forudsigelsesdatasættet. Find og rapporter antallet af disse ture.
• Opgave 2: Estimering af Tider for ukendte ture: Chefen har en liste over nye ture, hvor han ikke kender rejsetiderne. Du skal bruge historiske data (fra træningssættet) til at træne forudsigelsesmodeller og derefter estimere leveringstider for alle ture i forudsigelsesdatasættet.

Outputformat

En csv-fil output.csv, der skal indeholde følgende 3 kolonner:

• subtaskID - repræsenterer nummeret på delopgaven (1, 2)
• datapointID - som refererer til kolonnen ID fra test_data.csv
• answer - det tilsvarende svar for datapunktet for den respektive delopgave

Note: For delopgave 1, hvor der kræves et enkelt svar for hele datasættet, vis en enkelt linje, hvis datapointID er 1.

Send en enkelt csv, der indeholder svarene for alle delopgaver, I har løst. For at se et eksempel, download filen sample_output.csv (Note: denne får, selvom den er i korrekt format, 0 point ved indsendelse).

Score

Scorerne for delopgaver vil blive beregnet som følger:

• Delopgave 1: heltalssvar, I får 20 point kun hvis det er korrekt.
• Delopgave 2: afhængigt af jeres models performance, ved brug af MAE (Mean Absolute Error) metrikken på testdatasættet. I kan finde den nøjagtige måde at beregne scoren baseret på MAE i Starter Kit.

👉 📦 Download Starter Kit OJIA 2025