🚚 SmartCargo - Optymalizacja dostaw w Rumunii

Firma transportowa „SmartCargo România" potrzebuje inteligentnych rozwiązań do poprawy szacowania czasu dostaw. Jesteś nowym specjalistą ds. data science w zespole, a Twoją misją jest zbudowanie precyzyjnych modeli przewidujących czasy dostaw między miastami w Rumunii.

🎯 Twój główny cel

Musisz przeanalizować dane historyczne dotyczące kursów między miastami i zrozumieć, jak czynniki takie jak odległość, pora dnia, pogoda, ruch drogowy czy doświadczenie kierowcy wpływają na rzeczywisty czas dostawy.

Twoim celem jest zbudowanie modelu Machine Learning zdolnego do przewidywania szacowanego czasu dla nowych kursów.

---

📦 Dane transportowe

Każdy wiersz w plikach train_data.csv i test_data.csv reprezentuje dostawę między dwoma miastami w Rumunii.

Każda dostawa zawiera następujące szczegóły:

Kolumna	Opis
ID	Unikalny identyfikator kursu
City A	Miasto wyjazdu (jako tekst)
City B	Miasto docelowe (jako tekst)
Distance	Rzeczywista odległość między miastami (w kilometrach)
Time of Day	Pora dnia wyrażona w minutach od północy, kiedy kurs wyrusza (0 - 1439)
Weather	Pogoda podczas kursu (Clear, Rain, Snow, Fog)
Traffic	Poziom ruchu drogowego na skali numerycznej (0.0 - 1000.0), maksimum oznacza największe natężenie
Road Quality	Jakość drogi na skali numerycznej (1 - 1000), maksimum oznacza najwyższą jakość
Driver Experience	Poziom doświadczenia kierowcy (1 - 40 lat)
deliver_time	Tylko w train_data.csv: rzeczywisty czas dostawy w minutach

---

🎯 Twoja misja

Menedżer operacyjny dał Ci następujące dwa kluczowe zadania do poprawy operacji „SmartCargo".

Zbiór Danych do Predykcji (test_data.csv) zawiera próbki z tymi samymi charakterystykami co zbiór treningowy, ale bez kolumny predicted_time.

Wasz model wygeneruje predykcje dla tych próbek.

Podzadania

• Zadanie 1 (20p): Sytuacja Bârlad: ważny klient z Bârlad zgłosił częste opóźnienia na kursach w warunkach mgły. Menedżer chce dowiedzieć się, ile kursów wyrusza z Bârlad i przy pogodzie mglistej (Fog) w zbiorze danych do predykcji. Znajdź i zgłoś liczbę takich kursów.
• Zadanie 2: Szacowanie Czasów dla nieznanych kursów: Menedżer ma listę nowych kursów, dla których nie zna czasów przejazdu. Musisz użyć danych historycznych (ze zbioru treningowego) do wytrenowania modeli predykcyjnych, a następnie oszacować czasy dostaw dla wszystkich kursów ze zbioru danych do predykcji.

Format wyjściowy

Plik csv output.csv, który powinien zawierać następujące 3 kolumny:

• subtaskID - reprezentuje numer podzadania (1, 2)
• datapointID - który odnosi się do kolumny ID z test_data.csv
• answer - odpowiedź odpowiadająca punktowi danych dla danego podzadania

Uwaga: Dla podzadania 1, gdzie wymagana jest jedna odpowiedź dla całego zbioru danych, wyświetl jedną linię, której datapointID wynosi 1.

Prześlij jeden csv zawierający odpowiedzi dla wszystkich podzadań, które rozwiązałeś. Aby zobaczyć przykład, pobierz plik sample_output.csv (Uwaga: ten, mimo że w poprawnym formacie, otrzymuje 0 punktów przy submisji).

Punktacja

Punkty za podzadania będą obliczane w następujący sposób:

• Podzadanie 1: odpowiedź całkowita, otrzymujesz 20 punktów tylko jeśli jest poprawna.
• Podzadanie 2: w zależności od wydajności waszego modelu, używając metryki MAE (Mean Absolute Error) na zbiorze danych testowych. Dokładny sposób obliczania punktacji opartej na MAE znajdziecie w Starter Kit.

👉 📦 Pobierz Starter Kit OJIA 2025