Difficulté
Votre meilleur score
N/D
L'Administration Fédérale de l'Aviation souhaite développer un système capable de prédire le retard d'un vol (en minutes) à l'arrivée, basé sur les informations historiques concernant les compagnies aériennes, les aéroports et les conditions opérationnelles.
À cette fin, vous disposez d'un jeu de données agrégé au niveau :
(année, mois, compagnie aérienne, aéroport).
| Nom | Description |
|---|---|
sample_id | ID unique de l'échantillon (ex: 0194048) |
year | Année de déclaration |
month | Mois de déclaration |
carrier | Code de la compagnie aérienne |
carrier_name | Nom complet de la compagnie aérienne |
airport | Code de l'aéroport (IATA) |
airport_name | Nom de l'aéroport |
arr_flights | Nombre total de vols arrivés |
arr_del15 | Nombre d'arrivées avec retard >15 minutes |
carrier_ct | Retards attribués à l'opérateur |
weather_ct | Retards causés par les conditions météo |
nas_ct | Retards causés par le système national (NAS) |
security_ct | Retards de sécurité |
late_aircraft_ct | Retards causés par des aéronefs arrivés en retard |
arr_cancelled | Vols annulés |
arr_diverted | Vols détournés |
delay | Variable cible — retard total à l'arrivée (minutes, disponible uniquement dans train.csv) |
Note : Dans le fichier
test.csv, la colonnedelayest absente et doit être prédite.
Entraînez un modèle qui prédit delay (en minutes) en utilisant les caractéristiques ci-dessus.
Le résultat final sera transmis sous la forme d'un fichier submission.csv.
Le fichier doit être :
sample_id,delay0194048,1320194049,00194050,215où :
sample_id doit correspondre aux valeurs de test.csvdelay représente un nombre entier, la prédiction du modèleL'évaluation se fait en utilisant MAE (Mean Absolute Error) :
Succès et vol sans turbulences ! ✨