🚚 SmartCargo - Toimitusten optimointi Romaniassa

Kuljetusyhtiö "SmartCargo România" tarvitsee älykkäitä ratkaisuja parantaakseen toimitusaikojen arvioita. Sinä olet tiimin uusi data science -asiantuntija, ja tehtäväsi on rakentaa tarkkoja malleja, jotka ennustavat toimitusajat Romanian kaupunkien välillä.

🎯 Päätehtäväsi

Sinun tulee analysoida historiallista dataa kaupunkien välisistä matkoista ja ymmärtää, miten tekijät kuten etäisyys, vuorokaudenaika, sää, liikenne tai kuljettajan kokemus vaikuttavat todelliseen toimitusaikaan.

Tavoitteesi on rakentaa koneoppimismalli, joka kykenee ennustamaan arvioitua aikaa uusille matkoille.

---

📦 Kuljetusdata

Jokainen rivi tiedostoissa train_data.csv ja test_data.csv edustaa toimitusta kahden Romanian kaupungin välillä.

Jokainen toimitus sisältää seuraavat tiedot:

Sarake	Kuvaus
ID	Matkan yksilöllinen tunniste
City A	Lähtökaupunki (tekstinä)
City B	Kohdekaupunki (tekstinä)
Distance	Todellinen etäisyys kaupunkien välillä (kilometreinä)
Time of Day	Vuorokaudenaika ilmaistuna minuutteina keskiyöstä, kun matka alkaa (0 - 1439)
Weather	Sää matkan aikana (Clear, Rain, Snow, Fog)
Traffic	Liikenteen taso numeerisella asteikolla (0.0 - 1000.0), maksimi tarkoittaa ruuhkaisinta
Road Quality	Tien laatu numeerisella asteikolla (1 - 1000), maksimi tarkoittaa laadukkainta
Driver Experience	Kuljettajan kokemustaso (1 - 40 vuotta)
deliver_time	Vain train_data.csv:ssä: todellinen toimitusaika minuutteina

---

🎯 Tehtäväsi

Operatiivinen johtaja on antanut sinulle seuraavat kaksi olennaista tehtävää "SmartCargo":n toimintojen parantamiseksi.

Ennustettava datasetti (test_data.csv) sisältää näytteitä, joilla on samat ominaisuudet kuin harjoitusdatasetillä, mutta ilman predicted_time-saraketta.

Mallisi tuottaa ennusteet näille näytteille.

Alitehtävät

• Tehtävä 1 (20p): Bârladin tilanne: tärkeä asiakas Bârladista on raportoinut toistuvia myöhästymisiä matkoilla sumun aikana. Johtaja haluaa tietää, kuinka monta matkaa lähtee Bârladista ja sumun (Fog) aikana ennustettavassa datasetissä. Löydä ja raportoi näiden matkojen määrä.
• Tehtävä 2: Aikojen arviointi tuntemattomille matkoille: Johtajalla on lista uusista matkoista, joiden matkustusaikoja hän ei tiedä. Sinun tulee käyttää historiallista dataa (harjoitusdatasetistä) ennustusmallien kouluttamiseen ja sitten arvioida toimitusajat kaikille matkoille ennustettavassa datasetissä.

Tulosteen muoto

CSV-tiedosto output.csv, joka sisältää seuraavat 3 saraketta:

• subtaskID - edustaa alitehtävän numeroa (1, 2)
• datapointID - viittaa ID-sarakkeeseen tiedostossa test_data.csv
• answer - vastaava vastaus datapisteelle kyseisessä alitehtävässä

Huomautus: Alitehtävälle 1, jossa pyydetään yhtä vastausta koko datasetille, näytä yksi rivi, jonka datapointID on 1.

Lähetä yksi csv, joka sisältää vastaukset kaikkiin ratkaisemiisi alitehtäviin. Esimerkki löytyy lataamalla tiedosto sample_output.csv (Huomautus: tämä, vaikka oikeassa muodossa, saa 0 pistettä lähetyksessä).

Pisteet

Alitehtävien pisteet lasketaan seuraavasti:

• Alitehtävä 1: kokonaislukuvastaus, saat 20 pistettä vain jos se on oikein.
• Alitehtävä 2: mallisi suorituskyvyn mukaan, käyttäen MAE (Mean Absolute Error) -metriikkaa testidatasetillä. Löydät tarkan MAE-pohjaisen pistelaskutavan Starter Kitistä.

👉 📦 Lataa Starter Kit OJIA 2025