🚚 SmartCargo - Otimização de entregas na Romênia

A empresa de transporte "SmartCargo România" precisa de soluções inteligentes para melhorar as estimativas sobre a duração das entregas. Você é o novo especialista em ciência de dados da equipe, e sua missão é construir modelos precisos que prevejam os tempos de entrega entre as cidades da Romênia.

🎯 Seu objetivo principal

Você deve analisar dados históricos sobre viagens entre cidades e entender como fatores como distância, hora do dia, clima, tráfego ou experiência do motorista influenciam a duração efetiva da entrega.

Seu objetivo é construir um modelo de Machine Learning capaz de prever o tempo estimado para novas viagens.

---

📦 Os dados de transporte

Cada linha dos arquivos train_data.csv e test_data.csv representa uma entrega entre duas cidades da Romênia.

Cada entrega contém os seguintes detalhes:

Coluna	Descrição
ID	Identificador único da viagem
City A	Cidade de partida (como texto)
City B	Cidade de destino (como texto)
Distance	Distância real entre cidades (em quilômetros)
Time of Day	Momento do dia expresso em minutos desde a meia-noite quando uma viagem parte (0 - 1439)
Weather	Clima durante a viagem (Clear, Rain, Snow, Fog)
Traffic	Nível de tráfego em uma escala numérica (0.0 - 1000.0), máximo significa mais congestionado
Road Quality	Qualidade da estrada em uma escala numérica (1 - 1000), máximo significa mais qualitativa
Driver Experience	Nível de experiência do motorista (1 - 40 anos)
deliver_time	Apenas em train_data.csv: tempo real de entrega em minutos

---

🎯 Sua missão

O gerente operacional lhe deu as seguintes duas tarefas essenciais para melhorar as operações da "SmartCargo".

O Conjunto de Dados para Previsão (test_data.csv) contém amostras com as mesmas características do conjunto de treinamento, mas sem a coluna predicted_time.

Seu modelo gerará previsões para essas amostras.

Subtarefas

• Tarefa 1 (20p): Situação Bârlad: um cliente importante de Bârlad relatou atrasos frequentes em viagens em condições de neblina. O gerente quer saber quantas viagens partem de Bârlad e com clima de neblina (Fog) no conjunto de dados de previsão. Encontre e relate o número dessas viagens.
• Tarefa 2: Estimativa de Tempos para viagens desconhecidas: O gerente tem uma lista de novas viagens para as quais não conhece os tempos de deslocamento. Você deve usar os dados históricos (do conjunto de treinamento) para treinar modelos de previsão e então estimar os tempos de entrega para todas as viagens do conjunto de dados para previsão.

Formato de saída

Um arquivo csv output.csv que deve incluir as seguintes 3 colunas:

• subtaskID - representa o número da subtarefa (1, 2)
• datapointID - que se refere à coluna ID de test_data.csv
• answer - a resposta correspondente ao ponto de dados para a respectiva subtarefa

Nota: Para a subtarefa 1, que pede uma única resposta para todo o conjunto de dados, exiba uma única linha cujo datapointID seja 1.

Envie um único csv que contenha as respostas para todas as subtarefas que você resolveu. Para ver um exemplo, baixe o arquivo sample_output.csv (Nota: este, embora no formato correto, obtém 0 pontos na submissão).

Pontuação

As pontuações para as subtarefas serão calculadas da seguinte forma:

• Subtarefa 1: resposta inteira, você recebe 20 pontos apenas se estiver correta.
• Subtarefa 2: em função do desempenho do seu modelo, usando a métrica MAE (Mean Absolute Error) no conjunto de dados de teste. Você pode encontrar o modo exato de cálculo da pontuação baseada no MAE no Starter Kit.

👉 📦 Baixar Starter Kit OJIA 2025