🚚 SmartCargo - Оптимизация доставок в Румынии

Транспортная компания «SmartCargo România» нуждается в интеллектуальных решениях для улучшения оценок времени доставки. Ты — новый специалист по data science в команде, и твоя миссия — построить точные модели, которые предсказывают время доставки между городами Румынии.

🎯 Твоя основная цель

Тебе необходимо проанализировать исторические данные о рейсах между городами и понять, как такие факторы, как расстояние, время суток, погода, трафик или опыт водителя влияют на фактическое время доставки.

Твоя цель — построить модель Machine Learning, способную предсказывать расчетное время для новых рейсов.

---

📦 Транспортные данные

Каждая строка в файлах train_data.csv и test_data.csv представляет доставку между двумя городами Румынии.

Каждая доставка содержит следующие детали:

Колонка	Описание
ID	Уникальный идентификатор рейса
City A	Город отправления (как текст)
City B	Город назначения (как текст)
Distance	Реальное расстояние между городами (в километрах)
Time of Day	Время суток, выраженное в минутах от полуночи, когда отправляется рейс (0 - 1439)
Weather	Погода во время рейса (Clear, Rain, Snow, Fog)
Traffic	Уровень трафика по числовой шкале (0.0 - 1000.0), максимум означает самый загруженный
Road Quality	Качество дороги по числовой шкале (1 - 1000), максимум означает самое высокое качество
Driver Experience	Уровень опыта водителя (1 - 40 лет)
deliver_time	Только в train_data.csv: реальное время доставки в минутах

---

🎯 Твоя миссия

Операционный менеджер дал тебе следующие две важные задачи для улучшения операций «SmartCargo».

Набор данных для предсказания (test_data.csv) содержит образцы с теми же характеристиками, что и обучающий набор, но без колонки predicted_time.

Ваша модель будет генерировать предсказания для этих образцов.

Подзадачи

• Задача 1 (20п): Ситуация в Бырладе: важный клиент из Бырлада сообщил о частых задержках рейсов в условиях тумана. Менеджер хочет узнать, сколько рейсов отправляется из Бырлада в туманную погоду (Fog) в наборе данных для предсказания. Найди и сообщи количество таких рейсов.
• Задача 2: Оценка времени для неизвестных рейсов: У менеджера есть список новых рейсов, для которых он не знает время в пути. Тебе нужно использовать исторические данные (из обучающего набора) для обучения моделей предсказания, а затем оценить время доставки для всех рейсов из набора данных для предсказания.

Формат вывода

Файл csv output.csv, который должен включать следующие 3 колонки:

• subtaskID - представляет номер подзадачи (1, 2)
• datapointID - который относится к колонке ID из test_data.csv
• answer - соответствующий ответ для точки данных для соответствующей подзадачи

Примечание: Для подзадачи 1, где требуется один ответ для всего набора данных, выведите одну строку, чей datapointID должен быть 1.

Отправьте один csv, который содержит ответы для всех подзадач, которые вы решили. Чтобы увидеть пример, скачайте файл sample_output.csv (Примечание: этот файл, хотя и в правильном формате, получает 0 баллов при отправке).

Оценка

Баллы за подзадачи будут рассчитываться следующим образом:

• Подзадача 1: целочисленный ответ, вы получите 20 баллов только если он правильный.
• Подзадача 2: в зависимости от производительности вашей модели, используя метрику MAE (Mean Absolute Error) на тестовом наборе данных. Вы можете найти точный способ расчета балла на основе MAE в Starter Kit.

👉 📦 Скачать Starter Kit OJIA 2025