Voorspelling van vluchtvertraging - Moeilijkheid: MEDIUM

Probleembeschrijving

✈️ Voorspelling van vluchtvertraging 🕒

🇷🇴 Context

De Federale Luchtvaartadministratie wil een systeem ontwikkelen dat in staat is om vluchtvertraging (in minuten) bij aankomst te voorspellen, gebaseerd op historische informatie over luchtvaartmaatschappijen, luchthavens en operationele omstandigheden.

Voor dit doel wordt u een geaggregeerde dataset aangeboden op niveau van:
(jaar, maand, luchtvaartmaatschappij, luchthaven).

📦 Beschikbare kenmerken

Naam	Beschrijving
`sample_id`	Unieke ID van het monster (bijv: `0194048`)
`year`	Jaar van rapportage
`month`	Maand van rapportage
`carrier`	Code van de luchtvaartmaatschappij
`carrier_name`	Volledige naam van de luchtvaartmaatschappij
`airport`	Code van de luchthaven (IATA)
`airport_name`	Naam van de luchthaven
`arr_flights`	Totaal aantal aangekomen vluchten
`arr_del15`	Aantal aankomsten met vertraging >15 minuten
`carrier_ct`	Vertragingen toegeschreven aan de operator
`weather_ct`	Vertragingen veroorzaakt door weersomstandigheden
`nas_ct`	Vertragingen veroorzaakt door het nationale systeem (NAS)
`security_ct`	Beveiligingsvertragingen
`late_aircraft_ct`	Vertragingen veroorzaakt door laat aangekomen vliegtuigen
`arr_cancelled`	Geannuleerde vluchten
`arr_diverted`	Omgeleide vluchten
`delay`	Doelvariabele — totale vertraging bij aankomst (minuten, alleen beschikbaar in `train.csv`)

Opmerking: In het bestand test.csv is de kolom delay afwezig en moet worden voorspeld.

🎯 Doel van het probleem

Train een model dat delay (in minuten) voorspelt met behulp van bovenstaande kenmerken.

Het eindresultaat wordt ingediend in de vorm van een submission.csv bestand.

📝 Formaat van de indiening

Het bestand moet zijn:

Python
1sample_id,delay20194048,13230194049,040194050,215

waarbij:

sample_id moet overeenkomen met de waarden uit test.csv
delay vertegenwoordigt een geheel getal, de voorspelling van het model

📊 Evaluatie

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

$MAE$

🏆 Eindscore

MAE ≤ 400 → 100 punten
MAE ≥ 600 → 0 punten
Voor tussenliggende waarden wordt een proportionele score tussen 0 en 100 toegekend.

🔎 Opmerkingen

U bent vrij om elke ML-techniek te gebruiken.
Voorverwerking, encoding en feature engineering zijn toegestaan.

Succes en een vlotte vlucht! ✨

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.