🚚 SmartCargo - Optimalisering av leveranser i Romania

Transportselskapet "SmartCargo România" trenger intelligente løsninger for å forbedre estimatene for leveringstider. Du er det nye data science-spesialisten i teamet, og oppdraget ditt er å bygge presise modeller som kan forutsi leveringstider mellom byer i Romania.

🎯 Ditt hovedmål

Du må analysere historiske data om turer mellom byer og forstå hvordan faktorer som avstand, tid på døgnet, vær, trafikk eller sjåførens erfaring påvirker den faktiske leveringstiden.

Målet ditt er å bygge en Machine Learning-modell som kan forutsi estimert tid for nye turer.

---

📦 Transportdata

Hver rad i filene train_data.csv og test_data.csv representerer en levering mellom to byer i Romania.

Hver levering inneholder følgende detaljer:

Kolonne	Beskrivelse
ID	Unik identifikator for turen
City A	Avreiseby (som tekst)
City B	Destinasjonsby (som tekst)
Distance	Faktisk avstand mellom byer (i kilometer)
Time of Day	Tidspunkt på døgnet uttrykt i minutter fra midnatt når en tur starter (0 - 1439)
Weather	Været under turen (Clear, Rain, Snow, Fog)
Traffic	Trafikknivå på en numerisk skala (0.0 - 1000.0), maksimum betyr mest trafikkert
Road Quality	Veikvalitet på en numerisk skala (1 - 1000), maksimum betyr høyest kvalitet
Driver Experience	Sjåførens erfaringsnivå (1 - 40 år)
deliver_time	Kun i train_data.csv: faktisk leveringstid i minutter

---

🎯 Ditt oppdrag

Driftslederen har gitt deg følgende to essensielle oppgaver for å forbedre "SmartCargo"-operasjonene.

Datasettet for Prediksjon (test_data.csv) inneholder prøver med samme karakteristikker som treningssettet, men uten kolonnen predicted_time.

Modellen din vil generere prediksjoner for disse prøvene.

Deloppgaver

• Oppgave 1 (20p): Bârlad-situasjonen: en viktig kunde fra Bârlad har rapportert hyppige forsinkelser på turer under tåke-forhold. Lederen vil vite hvor mange turer som starter fra Bârlad og i tåke-vær (Fog) i prediksjondatasettet. Finn og rapporter antallet av disse turene.
• Oppgave 2: Estimering av Tider for ukjente turer: Lederen har en liste over nye turer som han ikke kjenner reisetidene for. Du må bruke historiske data (fra treningssettet) til å trene prediksjonsmodeller og deretter estimere leveringstider for alle turene i prediksjondatasettet.

Utdataformat

En csv-fil output.csv som skal inkludere følgende 3 kolonner:

• subtaskID - representerer nummeret på deloppgaven (1, 2)
• datapointID - som refererer til kolonnen ID fra test_data.csv
• answer - det tilsvarende svaret for datapunktet for den respektive deloppgaven

Merk: For deloppgave 1, som krever ett enkelt svar for hele datasettet, vis en enkelt linje hvor datapointID er 1.

Send inn en enkelt csv som inneholder svarene for alle deloppgavene du har løst. For å se et eksempel, last ned filen sample_output.csv (Merk: denne, selv om den er i riktig format, får 0 poeng ved innsending).

Poengsum

Poengene for deloppgaver vil bli beregnet som følger:

• Deloppgave 1: heltallssvar, du får 20 poeng bare hvis det er riktig.
• Deloppgave 2: basert på ytelsen til modellen din, ved bruk av MAE (Mean Absolute Error) metrikken på testdatasettet. Du kan finne den eksakte måten å beregne poengsummen basert på MAE i Starter Kit.

👉 📦 Last ned Starter Kit OJIA 2025