🚚 SmartCargo - Optimisation des livraisons en Roumanie

La société de transport « SmartCargo România » a besoin de solutions intelligentes pour améliorer les estimations concernant la durée des livraisons. Tu es le nouveau spécialiste en data science de l'équipe, et ta mission est de construire des modèles précis qui prédisent les temps de livraison entre les villes de Roumanie.

🎯 Ton objectif principal

Tu dois analyser les données historiques concernant les courses entre villes et comprendre comment des facteurs tels que la distance, l'heure de la journée, le temps, le trafic ou l'expérience du chauffeur influencent la durée effective de la livraison.

Ton objectif est de construire un modèle de Machine Learning capable de prédire le temps estimé pour de nouvelles courses.

---

📦 Les données de transport

Chaque ligne des fichiers train_data.csv et test_data.csv représente une livraison entre deux villes de Roumanie.

Chaque livraison contient les détails suivants :

Colonne	Description
ID	Identifiant unique de la course
City A	La ville de départ (en texte)
City B	La ville de destination (en texte)
Distance	La distance réelle entre les villes (en kilomètres)
Time of Day	Le moment de la journée exprimé en minutes depuis minuit quand une course démarre (0 - 1439)
Weather	Le temps pendant la course (Clear, Rain, Snow, Fog)
Traffic	Le niveau de trafic sur une échelle numérique (0.0 - 1000.0), le maximum signifie le plus encombré
Road Quality	La qualité de la route sur une échelle numérique (1 - 1000), le maximum signifie la meilleure qualité
Driver Experience	Le niveau d'expérience du chauffeur (1 - 40 ans)
deliver_time	Seulement dans train_data.csv : le temps réel de livraison en minutes

---

🎯 Ta mission

Le manager opérationnel t'a donné les deux tâches essentielles suivantes pour améliorer les opérations de « SmartCargo ».

L'ensemble de données pour la prédiction (test_data.csv) contient des échantillons avec les mêmes caractéristiques que l'ensemble d'entraînement, mais sans la colonne predicted_time.

Votre modèle générera des prédictions pour ces échantillons.

Sous-tâches

• Tâche 1 (20p) : Situation Bârlad : un client important de Bârlad a signalé des retards fréquents sur les courses dans des conditions de brouillard. Le manager veut savoir combien de courses partent de Bârlad et par temps de brouillard (Fog) dans l'ensemble de données de prédiction. Trouve et rapporte le nombre de ces courses.
• Tâche 2 : Estimation des temps pour les courses inconnues : Le manager a une liste de nouvelles courses pour lesquelles il ne connaît pas les temps de déplacement. Tu dois utiliser les données historiques (de l'ensemble d'entraînement) pour entraîner des modèles de prédiction et ensuite estimer les temps de livraison pour toutes les courses de l'ensemble de données pour la prédiction.

Format de sortie

Un fichier csv output.csv qui doit inclure les 3 colonnes suivantes :

• subtaskID - représente le numéro de la sous-tâche (1, 2)
• datapointID - qui se réfère à la colonne ID de test_data.csv
• answer - la réponse correspondant au point de données pour la sous-tâche respective

Note : Pour la sous-tâche 1, qui demande une seule réponse pour tout l'ensemble de données, affichez une seule ligne dont le datapointID soit 1.

Soumettez un seul csv qui contient les réponses pour toutes les sous-tâches que vous avez résolues. Pour voir un exemple, téléchargez le fichier sample_output.csv (Note : celui-ci, bien qu'au format correct, obtient 0 point à la soumission).

Score

Les scores pour les sous-tâches seront calculés comme suit :

• Sous-tâche 1 : réponse entière, vous recevez 20 points seulement si elle est correcte.
• Sous-tâche 2 : en fonction de la performance de votre modèle, en utilisant la métrique MAE (Mean Absolute Error) sur l'ensemble de données de test. Vous pouvez trouver la méthode exacte de calcul du score basé sur MAE dans le Starter Kit.

👉 📦 Télécharge le Starter Kit OJIA 2025