🚚 SmartCargo - Ottimizzazione delle consegne in Romania

L'azienda di trasporti "SmartCargo România" ha bisogno di soluzioni intelligenti per migliorare le stime riguardo alla durata delle consegne. Tu sei il nuovo specialista in data science del team, e la tua missione è costruire modelli precisi che predicano i tempi di consegna tra le città della Romania.

🎯 Il tuo obiettivo principale

Devi analizzare dati storici riguardo ai viaggi tra città e comprendere come fattori quali la distanza, l'ora del giorno, il tempo, il traffico o l'esperienza dell'autista influenzino la durata effettiva della consegna.

Il tuo obiettivo è costruire un modello di Machine Learning capace di predire il tempo stimato per nuovi viaggi.

---

📦 I dati di trasporto

Ogni riga nei file train_data.csv e test_data.csv rappresenta una consegna tra due città della Romania.

Ogni consegna contiene i seguenti dettagli:

Colonna	Descrizione
ID	Identificatore unico del viaggio
City A	La città di partenza (come testo)
City B	La città di destinazione (come testo)
Distance	La distanza reale tra le città (in chilometri)
Time of Day	Il momento del giorno espresso in minuti dalla mezzanotte quando parte un viaggio (0 - 1439)
Weather	Il tempo durante il viaggio (Clear, Rain, Snow, Fog)
Traffic	Il livello di traffico su una scala numerica (0.0 - 1000.0), il massimo significa il più congestionato
Road Quality	La qualità della strada su una scala numerica (1 - 1000), il massimo significa la più qualitativa
Driver Experience	Il livello di esperienza dell'autista (1 - 40 anni)
deliver_time	Solo in train_data.csv: il tempo reale di consegna in minuti

---

🎯 La tua missione

Il manager operativo ti ha dato i seguenti due compiti essenziali per migliorare le operazioni di "SmartCargo".

Il Set di Dati per la Predizione (test_data.csv) contiene campioni con le stesse caratteristiche del set di addestramento, ma senza la colonna predicted_time.

Il vostro modello genererà predizioni per questi campioni.

Subtask

• Compito 1 (20p): Situazione Bârlad: un cliente importante di Bârlad ha segnalato ritardi frequenti sui viaggi in condizioni di nebbia. Il manager vuole sapere quanti viaggi partono da Bârlad e con tempo nebbioso (Fog) nel set di dati di predizione. Trova e riporta il numero di questi viaggi.
• Compito 2: Stima dei Tempi per viaggi sconosciuti: Il manager ha una lista di nuovi viaggi per i quali non conosce i tempi di spostamento. Devi usare i dati storici (dal set di addestramento) per addestrare modelli di predizione e poi stimare i tempi di consegna per tutti i viaggi nel set di dati per la predizione.

Formato di output

Un file csv output.csv che includa le seguenti 3 colonne:

• subtaskID - rappresenta il numero del subtask (1, 2)
• datapointID - che si riferisce alla colonna ID da test_data.csv
• answer - la risposta corrispondente al datapoint per il rispettivo subtask

Nota: Per il subtask 1, al quale si richiede una sola risposta per tutto il set di dati, visualizzate una sola riga il cui datapointID sia 1.

Inviate un singolo csv che contenga le risposte per tutti i subtask che avete risolto. Per vedere un esempio, scaricate il file sample_output.csv (Nota: questo, benché nel formato corretto, ottiene 0 punti alla submission).

Punteggio

I punteggi per i subtask si calcoleranno come segue:

• Subtask 1: risposta intera, ricevete 20 punti solo se è corretta.
• Subtask 2: in funzione della performance del vostro modello, usando la metrica MAE (Mean Absolute Error) sul set di dati di test. Potete trovare il modo esatto di calcolo del punteggio basato su MAE nel Starter Kit.

👉 📦 Scarica Starter Kit OJIA 2025