🚚 SmartCargo - Szállítások optimalizálása Romániában

A „SmartCargo România" szállítmányozási vállalat intelligens megoldásokra van szüksége a szállítási időtartamok becslésének javításához. Te vagy a csapat új adattudományi szakértője, és a küldetésed az, hogy pontos modelleket építs, amelyek előre jelzik a szállítási időket a romániai városok között.

🎯 Fő célod

Elemezned kell a városok közötti fuvarok történeti adatait, és meg kell értened, hogy olyan tényezők, mint a távolság, a napszak, az időjárás, a forgalom vagy a sofőr tapasztalata hogyan befolyásolják a tényleges szállítási időtartamot.

A célod egy olyan gépi tanulási modell építése, amely képes előre jelezni a becsült időt új fuvarokra.

---

📦 Szállítási adatok

A train_data.csv és test_data.csv fájlok minden sora egy szállítást jelent két romániai város között.

Minden szállítás a következő részleteket tartalmazza:

Oszlop	Leírás
ID	A fuvar egyedi azonosítója
City A	Indulási város (szövegként)
City B	Célváros (szövegként)
Distance	Tényleges távolság a városok között (kilométerben)
Time of Day	A nap időpontja percekben kifejezve éjféltől számítva, amikor a fuvar indul (0 - 1439)
Weather	Időjárás a fuvar során (Clear, Rain, Snow, Fog)
Traffic	Forgalmi szint numerikus skálán (0.0 - 1000.0), a maximum a legforgalmasabbat jelenti
Road Quality	Útminőség numerikus skálán (1 - 1000), a maximum a legminőségibbeket jelenti
Driver Experience	Sofőr tapasztalati szintje (1 - 40 év)
deliver_time	Csak a train_data.csv-ben: tényleges szállítási idő percekben

---

🎯 Küldetésed

Az operációs menedzser a következő két alapvető feladatot adta neked a „SmartCargo" működésének javításához.

Az Előrejelzési Adathalmaz (test_data.csv) ugyanazokkal a jellemzőkkel rendelkező mintákat tartalmaz, mint a tanító halmaz, de a predicted_time oszlop nélkül.

A modelled előrejelzéseket fog generálni ezekre a mintákra.

Részfeladatok

• 1. feladat (20p): Bârlad helyzet: egy fontos bârladi ügyfél gyakori késéseket jelentett ködös körülmények között történő fuvaroknál. A menedzser tudni akarja, hogy hány fuvar indul Bârlad-ból ködös (Fog) időben az előrejelzési adathalmazban. Keresd meg és jelentsd ezen fuvarok számát.
• 2. feladat: Időbecslés ismeretlen fuvarokra: A menedzsernek van egy listája új fuvarokról, amelyekhez nem ismeri az utazási időket. A történeti adatokat (a tanító halmazból) kell használnod előrejelzési modellek tanításához, majd becsülnöd kell a szállítási időket az előrejelzési adathalmaz összes fuvarjára.

Kimeneti formátum

Egy output.csv csv fájl, amely a következő 3 oszlopot tartalmazza:

• subtaskID - a részfeladat számát jelenti (1, 2)
• datapointID - amely a test_data.csv ID oszlopára hivatkozik
• answer - a megfelelő válasz az adott adatpontra az adott részfeladathoz

Megjegyzés: Az 1. részfeladatnál, amely egyetlen választ kér az egész adathalmazra, jeleníts meg egyetlen sort, amelynek datapointID-ja 1 legyen.

Küldj egy egyetlen csv-t, amely tartalmazza az összes megoldott részfeladat válaszait. Példa megtekintéséhez töltsd le a sample_output.csv fájlt (Megjegyzés: ez, bár helyes formátumban van, 0 pontot kap beküldéskor).

Pontszám

A részfeladatok pontszámai a következőképpen számítódnak:

• 1. részfeladat: egész szám válasz, csak akkor kapsz 20 pontot, ha helyes.
• 2. részfeladat: a modelled teljesítménye alapján, a MAE (Mean Absolute Error) metrikát használva a tesztelési adathalmazon. A MAE alapú pontszám pontos számítási módját a Starter Kit-ben találod.

👉 📦 Töltsd le az OJIA 2025 Starter Kit-et