Ładowanie...
Trudność
Twój najlepszy wynik
Nie dotyczy
Federalna Administracja Lotnicza chce opracować system zdolny do przewidywania opóźnienia lotu (w minutach) przy przylocie, na podstawie informacji historycznych o liniach lotniczych, lotniskach i warunkach operacyjnych.
W tym celu otrzymujecie zbiór danych zagregowany na poziomie:
(rok, miesiąc, linia lotnicza, lotnisko).
| Nazwa | Opis |
|---|---|
sample_id | Unikalny ID próbki (np.: 0194048) |
year | Rok raportowania |
month | Miesiąc raportowania |
carrier | Kod linii lotniczej |
carrier_name | Pełna nazwa linii lotniczej |
airport | Kod lotniska (IATA) |
airport_name | Nazwa lotniska |
arr_flights | Całkowita liczba lotów, które przybyły |
arr_del15 | Liczba przylotów z opóźnieniem >15 minut |
carrier_ct | Opóźnienia przypisane operatorowi |
weather_ct | Opóźnienia spowodowane warunkami pogodowymi |
nas_ct | Opóźnienia spowodowane systemem krajowym (NAS) |
security_ct | Opóźnienia bezpieczeństwa |
late_aircraft_ct | Opóźnienia spowodowane przez samoloty przybyłe późno |
arr_cancelled | Loty anulowane |
arr_diverted | Loty przekierowane |
delay | Zmienna docelowa — całkowite opóźnienie przy przylocie (minuty, dostępne tylko w train.csv) |
Uwaga: W pliku
test.csvkolumnadelayjest nieobecna i musi być przewidziana.
Wytrenujcie model, który przewiduje delay (w minutach) używając powyższych cech.
Wynik końcowy zostanie przesłany w formie pliku submission.csv.
Plik musi być w formacie:
sample_id,delay0194048,1320194049,00194050,215gdzie:
sample_id musi odpowiadać wartościom z test.csvdelay reprezentuje liczbę całkowitą, przewidywanie modeluOcena odbywa się przy użyciu MAE (Mean Absolute Error):
Powodzenia i gładkiego lotu! ✨