🚚 SmartCargo - Optimierung der Lieferungen in Rumänien

Das Transportunternehmen „SmartCargo România" benötigt intelligente Lösungen zur Verbesserung der Schätzungen bezüglich der Lieferzeiten. Du bist der neue Data Science Spezialist des Teams, und deine Mission ist es, präzise Modelle zu entwickeln, die die Lieferzeiten zwischen den Städten Rumäniens vorhersagen.

🎯 Dein Hauptziel

Du musst historische Daten über Fahrten zwischen Städten analysieren und verstehen, wie Faktoren wie Entfernung, Tageszeit, Wetter, Verkehr oder Fahrererfahrung die tatsächliche Lieferzeit beeinflussen.

Dein Ziel ist es, ein Machine Learning Modell zu entwickeln, das die geschätzte Zeit für neue Fahrten vorhersagen kann.

---

📦 Die Transportdaten

Jede Zeile in den Dateien train_data.csv und test_data.csv stellt eine Lieferung zwischen zwei Städten in Rumänien dar.

Jede Lieferung enthält folgende Details:

Spalte	Beschreibung
ID	Eindeutige Kennung der Fahrt
City A	Abfahrtsstadt (als Text)
City B	Zielstadt (als Text)
Distance	Tatsächliche Entfernung zwischen den Städten (in Kilometern)
Time of Day	Tageszeit ausgedrückt in Minuten seit Mitternacht, wenn eine Fahrt startet (0 - 1439)
Weather	Wetter während der Fahrt (Clear, Rain, Snow, Fog)
Traffic	Verkehrsniveau auf einer numerischen Skala (0.0 - 1000.0), Maximum bedeutet am stärksten
Road Quality	Straßenqualität auf einer numerischen Skala (1 - 1000), Maximum bedeutet beste Qualität
Driver Experience	Erfahrungsniveau des Fahrers (1 - 40 Jahre)
deliver_time	Nur in train_data.csv: tatsächliche Lieferzeit in Minuten

---

🎯 Deine Mission

Der Betriebsleiter hat dir die folgenden zwei wesentlichen Aufgaben zur Verbesserung der „SmartCargo"-Operationen gegeben.

Der Datensatz für Vorhersagen (test_data.csv) enthält Stichproben mit denselben Eigenschaften wie der Trainingssatz, aber ohne die Spalte predicted_time.

Euer Modell wird Vorhersagen für diese Stichproben generieren.

Subtasks

• Aufgabe 1 (20p): Die Bârlad-Situation: ein wichtiger Kunde aus Bârlad hat häufige Verspätungen bei Fahrten unter Nebel-Bedingungen gemeldet. Der Manager möchte wissen, wie viele Fahrten von Bârlad aus bei Nebel (Fog) im Vorhersagedatensatz starten. Finde und melde die Anzahl dieser Fahrten.
• Aufgabe 2: Zeitschätzung für unbekannte Fahrten: Der Manager hat eine Liste neuer Fahrten, für die er die Fahrzeiten nicht kennt. Du musst die historischen Daten (aus dem Trainingssatz) verwenden, um Vorhersagemodelle zu trainieren und dann die Lieferzeiten für alle Fahrten im Vorhersagedatensatz zu schätzen.

Ausgabeformat

Eine csv-Datei output.csv, die folgende 3 Spalten enthalten soll:

• subtaskID - stellt die Nummer des Subtasks dar (1, 2)
• datapointID - bezieht sich auf die Spalte ID aus test_data.csv
• answer - die entsprechende Antwort des Datenpunkts für den jeweiligen Subtask

Hinweis: Für Subtask 1, bei dem eine einzige Antwort für den gesamten Datensatz gefragt ist, zeigt eine einzige Zeile an, deren datapointID 1 sein soll.

Sendet eine einzige csv-Datei, die die Antworten für alle Subtasks enthält, die ihr gelöst habt. Um ein Beispiel zu sehen, ladet die Datei sample_output.csv herunter (Hinweis: diese erhält trotz korrektem Format 0 Punkte bei der Einreichung).

Bewertung

Die Bewertungen für Subtasks werden wie folgt berechnet:

• Subtask 1: ganzzahlige Antwort, ihr erhaltet 20 Punkte nur wenn sie korrekt ist.
• Subtask 2: abhängig von der Leistung eures Modells, unter Verwendung der MAE (Mean Absolute Error) Metrik auf dem Testdatensatz. Ihr könnt die genaue Berechnung der MAE-basierten Bewertung im Starter Kit finden.

👉 📦 Starter Kit OJIA 2025 herunterladen