🚚 SmartCargo - მიწოდებების ოპტიმიზაცია რუმინეთში

ტრანსპორტის კომპანია „SmartCargo România"-ს სჭირდება ინტელექტუალური გადაწყვეტილებები მიწოდების ხანგრძლივობის შეფასების გასაუმჯობესებლად. შენ ხარ გუნდის ახალი data science სპეციალისტი და შენი მისიაა ზუსტი მოდელების აგება, რომლებიც წინასწარმეტყველებენ მიწოდების დროს რუმინეთის ქალაქებს შორის.

🎯 შენი მთავარი მიზანი

უნდა გააანალიზო ისტორიული მონაცემები ქალაქებს შორის მგზავრობების შესახებ და გაიგო, როგორ მოქმედებს ისეთი ფაქტორები, როგორიცაა მანძილი, დღის დრო, ამინდი, ტრაფიკი ან მძღოლის გამოცდილება მიწოდების რეალურ ხანგრძლივობაზე.

შენი მიზანია Machine Learning მოდელის აგება, რომელსაც შეუძლია ახალი მგზავრობებისთვის სავარაუდო დროის წინასწარმეტყველება.

---

📦 ტრანსპორტის მონაცემები

train_data.csv და test_data.csv ფაილების თითოეული რიგი წარმოადგენს მიწოდებას რუმინეთის ორ ქალაქს შორის.

თითოეული მიწოდება შეიცავს შემდეგ დეტალებს:

სვეტი	აღწერა
ID	მგზავრობის უნიკალური იდენტიფიკატორი
City A	გამგზავრების ქალაქი (ტექსტის სახით)
City B	დანიშნულების ქალაქი (ტექსტის სახით)
Distance	რეალური მანძილი ქალაქებს შორის (კილომეტრებში)
Time of Day	დღის მომენტი გამოხატული წუთებში შუაღამიდან, როდესაც იწყება მგზავრობა (0 - 1439)
Weather	ამინდი მგზავრობის დროს (Clear, Rain, Snow, Fog)
Traffic	ტრაფიკის დონე რიცხვითი სკალით (0.0 - 1000.0), მაქსიმუმი ნიშნავს ყველაზე დატვირთულს
Road Quality	გზის ხარისხი რიცხვითი სკალით (1 - 1000), მაქსიმუმი ნიშნავს ყველაზე ხარისხიანს
Driver Experience	მძღოლის გამოცდილების დონე (1 - 40 წელი)
deliver_time	მხოლოდ train_data.csv-ში: რეალური მიწოდების დრო წუთებში

---

🎯 შენი მისია

ოპერაციული მენეჯერმა მოგცა შემდეგი ორი მნიშვნელოვანი დავალება „SmartCargo"-ს ოპერაციების გასაუმჯობესებლად.

პროგნოზირების მონაცემთა ნაკრები (test_data.csv) შეიცავს ნიმუშებს იგივე მახასიათებლებით, როგორც სავარჯიშო ნაკრები, მაგრამ predicted_time სვეტის გარეშე.

თქვენი მოდელი გენერირებს პროგნოზებს ამ ნიმუშებისთვის.

ქვეამოცანები

• ამოცანა 1 (20პ): ბარლადის სიტუაცია: ბარლადიდან მნიშვნელოვანმა კლიენტმა მოახსენა ხშირი დაგვიანებები მგზავრობებზე ნისლიანი პირობებში. მენეჯერს სურს გაიგოს რამდენი მგზავრობა იწყება ბარლადიდან და ნისლიან (Fog) ამინდში პროგნოზირების მონაცემთა ნაკრებში. იპოვე და მოახსენე ამ მგზავრობების რაოდენობა.
• ამოცანა 2: უცნობი მგზავრობებისთვის დროის შეფასება: მენეჯერს აქვს ახალი მგზავრობების სია, რომლებისთვისაც არ იცის გადაადგილების დროები. უნდა გამოიყენო ისტორიული მონაცემები (სავარჯიშო ნაკრებიდან) პროგნოზირების მოდელების ასავარჯიშებლად და შემდეგ შეაფასო მიწოდების დროები პროგნოზირების მონაცემთა ნაკრების ყველა მგზავრობისთვის.

გამოტანის ფორმატი

csv ფაილი output.csv, რომელიც უნდა შეიცავდეს შემდეგ 3 სვეტს:

• subtaskID - წარმოადგენს ქვეამოცანის ნომერს (1, 2)
• datapointID - რომელიც მიუთითებს ID სვეტზე test_data.csv-დან
• answer - შესაბამისი პასუხი მონაცემთა წერტილისთვის შესაბამისი ქვეამოცანისთვის

შენიშვნა: ქვეამოცანა 1-ისთვის, რომელშიც მოითხოვება ერთი პასუხი მთელი მონაცემთა ნაკრებისთვის, აჩვენეთ ერთი ხაზი, რომლის datapointID იყოს 1.

გაგზავნეთ ერთი csv, რომელიც შეიცავს პასუხებს ყველა ქვეამოცანისთვის, რომლებიც გადაწყვიტეთ. მაგალითის სანახავად, ჩამოტვირთეთ sample_output.csv ფაილი (შენიშვნა: ეს, მიუხედავად სწორი ფორმატისა, იღებს 0 ქულას წარდგენისას).

ქულა

ქვეამოცანების ქულები გამოითვლება შემდეგნაირად:

• ქვეამოცანა 1: მთელი რიცხვის პასუხი, მიიღებთ 20 ქულას მხოლოდ იმ შემთხვევაში, თუ სწორია.
• ქვეამოცანა 2: თქვენი მოდელის შესრულების მიხედვით, MAE (Mean Absolute Error) მეტრიკის გამოყენებით ტესტირების მონაცემთა ნაკრებზე. MAE-ზე დაფუძნებული ქულის გამოთვლის ზუსტ მეთოდს იპოვით Starter Kit-ში.

👉 📦 ჩამოტვირთეთ Starter Kit OJIA 2025