🚚 SmartCargo - Румыниядағы жеткізулерді оңтайландыру

«SmartCargo România» көлік компаниясына жеткізу уақытын бағалауды жақсарту үшін ақылды шешімдер қажет. Сіз команданың жаңа деректер ғылымы маманысыз, ал сіздің миссияңыз - Румыния қалалары арасындағы жеткізу уақытын дәл болжайтын модельдер құру.

🎯 Сіздің негізгі мақсатыңыз

Қалалар арасындағы рейстердің тарихи деректерін талдап, қашықтық, күннің уақыты, ауа райы, көлік қозғалысы немесе жүргізуші тәжірибесі сияқты факторлардың жеткізудің нақты ұзақтығына қалай әсер ететінін түсіну керек.

Сіздің мақсатыңыз - жаңа рейстер үшін бағаланған уақытты болжай алатын Machine Learning моделін құру.

---

📦 Көлік деректері

train_data.csv және test_data.csv файлдарындағы әрбір жол Румыния қалалары арасындағы жеткізуді білдіреді.

Әрбір жеткізу келесі мәліметтерді қамтиды:

Баған	Сипаттама
ID	Рейстің бірегей идентификаторы
City A	Шығу қаласы (мәтін ретінде)
City B	Тағайындалған қала (мәтін ретінде)
Distance	Қалалар арасындағы нақты қашықтық (километрмен)
Time of Day	Рейс шыққан кездегі күннің уақыты түн жарымынан бастап минуттармен (0 - 1439)
Weather	Рейс кезіндегі ауа райы (Clear, Rain, Snow, Fog)
Traffic	Көлік қозғалысының деңгейі сандық шкаламен (0.0 - 1000.0), максимум ең қиын қозғалысты білдіреді
Road Quality	Жол сапасы сандық шкаламен (1 - 1000), максимум ең сапалы жолды білдіреді
Driver Experience	Жүргізуші тәжірибесінің деңгейі (1 - 40 жыл)
deliver_time	Тек train_data.csv-де: нақты жеткізу уақыты минуттармен

---

🎯 Сіздің миссияңыз

Операциялық менеджер сізге «SmartCargo» операцияларын жақсарту үшін келесі екі маңызды тапсырма берді.

Болжау үшін деректер жиынтығы (test_data.csv) дайындық жиынтығымен бірдей сипаттамалары бар үлгілерді қамтиды, бірақ predicted_time бағанасыз.

Сіздің моделіңіз осы үлгілер үшін болжамдар жасайды.

Ішкі тапсырмалар

• 1-тапсырма (20п): Бырлад жағдайы: Бырладтан маңызды клиент тұман жағдайында жиі кешіктірулер туралы хабарлады. Менеджер болжау деректер жиынтығында Бырладтан шығатын және тұман (Fog) ауа райындағы рейстердің санын білгісі келеді. Осы рейстердің санын тауып хабарлаңыз.
• 2-тапсырма: Белгісіз рейстер үшін уақытты бағалау: Менеджердің жаңа рейстердің тізімі бар, олардың қозғалыс уақыттары белгісіз. Болжау модельдерін дайындау үшін тарихи деректерді (дайындық жиынтығынан) пайдаланып, содан кейін болжау деректер жиынтығындағы барлық рейстер үшін жеткізу уақыттарын бағалау керек.

Шығару форматы

Келесі 3 бағанды қамтитын output.csv csv файлы:

• subtaskID - ішкі тапсырма нөмірін білдіреді (1, 2)
• datapointID - test_data.csv-дегі ID бағанасына сілтеме жасайды
• answer - тиісті ішкі тапсырма үшін деректер нүктесіне сәйкес жауап

Ескерту: Бүкіл деректер жиынтығы үшін бір жауап сұралатын 1-ші ішкі тапсырма үшін datapointID-і 1 болатын бір жол көрсетіңіз.

Шешкен барлық ішкі тапсырмалар үшін жауаптарды қамтитын бір csv жіберіңіз. Мысалды көру үшін sample_output.csv файлын жүктеп алыңыз (Ескерту: бұл дұрыс форматта болса да, тапсыру кезінде 0 ұпай алады).

Ұпай

Ішкі тапсырмалар үшін ұпайлар келесідей есептеледі:

• 1-ші ішкі тапсырма: бүтін жауап, тек дұрыс болса ғана 20 ұпай аласыз.
• 2-ші ішкі тапсырма: сіздің моделіңіздің өнімділігіне байланысты, тест деректер жиынтығында MAE (Mean Absolute Error) метрикасын пайдаланып. MAE негізіндегі ұпай есептеудің нақты әдісін Starter Kit-тен таба аласыз.

👉 📦 OJIA 2025 Starter Kit жүктеп алу