Voorspelling van treinvertraging

Voorspelling van treinvertraging - Moeilijkheid: EASY

Probleembeschrijving

🚆 Voorspelling van treinvertraging ⏱️

🇷🇴 Context 🚃

Het nationale spoorwegbedrijf wil de vertraging van een trein voorspellen (in minuten, geheel getal) bij aankomst op het eindstation. Voor dit doel krijgt u een dataset met details over ritten uit het afgelopen jaar.

Voor elke rit kennen we de volgende kenmerken:

Naam	Type	Beschrijving
`SampleID`	int	Unieke identificatie van het sample
`departure_time`	string (HH:MM)	Vertrektijd van de trein
`distance_km`	float	Totale afstand van de route
`avg_speed_kmh`	float	Werkelijke gemiddelde reissnelheid
`num_stops`	int	Aantal tussenliggende stops
`weather`	categorie	Weersomstandigheden: `sunny`, `rain`, `snow`, `fog`
`weekday`	categorie	Dag van de week
`special_events`	0/1	Uitzonderlijke gebeurtenissen op de route
`num_cars`	int	Aantal wagons
`ticket_price`	float	Prijs van het ticket
`comfort_class`	categorie	`standard`, `intermediate`, `premium`
`delay_minutes`	int	Doelvariabele – vertraging van de trein in minuten

De informatie delay_minutes is alleen beschikbaar in de trainingsset (train.csv).

🎯 Doel van het probleem ⏱️

U moet een model trainen dat in staat is om delay_minutes te voorspellen op basis van de andere kenmerken.

📝 Formaat van de inzending

U moet een csv-bestand uploaden (submission.csv) met het volgende formaat:

Python
1SampleID,delay_minutes20,1231,342,15

waarbij:

SampleID moet overeenkomen met de waarden uit test.csv
delay_minutes is de voorspelling van uw model, afgerond naar een geheel getal

📊 Evaluatie

De evaluatie wordt gedaan met MAE (Mean Absolute Error):

$MAE$

De eindscore wordt berekend op basis van de behaalde MAE-score met de volgende regels:

MAE ≤ 5 → 100 punten
MAE ≥ 20 → 0 punten
Voor tussenliggende waarden wordt een proportionele score tussen 0 en 100 toegekend.

Bestanden

Probleembestanden downloaden

Oplossing indienen

Upload het resultaatbestand handmatig. Je kunt ook de broncode toevoegen.Maximaal 100 MB in totaal

Inzendingsbestand

Klik om te uploaden of sleep en zet neer

CSV, ZIP, etc. (MAX. 100MB)

Broncodebestand (optioneel)

Klik om te uploaden of sleep en zet neer

Archief, notebook of codebestand

Werk en dien in vanuit Google Colab

Open een notebook die voor dit probleem is voorbereid. De eerste cel koppelt het probleem en downloadt de beschikbare gegevens. Als je klaar bent, dien je bestanden rechtstreeks vanuit de notebook in voor beoordeling.

Inzendingen vanuit Colab gebruiken dezelfde evaluator en dezelfde limieten. Volg het resultaat onder Mijn inzendingen.

MLCompete heeft alleen toegang tot de notebook die het in je Google Drive maakt, niet tot je andere bestanden.

Opent de notebook niet? Gebruik een tijdelijke code

Genereer de code hier, open de openbare notebook en voer de code in wanneer de eerste cel erom vraagt.

Log eerst in bij MLCompete om een werkruimtecode te genereren.

De openbare notebook openen in Google Colab

Plak de werkruimtecode alleen wanneer de notebook erom vraagt. Deel de code nooit met iemand anders.