🚚 SmartCargo - Optimizacija dostav v Romuniji

Transportno podjetje „SmartCargo România" potrebuje pametne rešitve za izboljšanje ocen glede trajanja dostav. Ti si novi specialist za podatkovno znanost v ekipi, tvoja naloga pa je, da zgradiš natančne modele, ki napovedujejo čase dostave med mesti v Romuniji.

🎯 Tvoj glavni cilj

Analizirati moraš zgodovinske podatke o vožnjah med mesti in razumeti, kako dejavniki kot so razdalja, ura dneva, vreme, promet ali izkušnje voznika vplivajo na dejansko trajanje dostave.

Tvoj cilj je zgraditi model strojnega učenja, ki lahko napoveduje ocenjeni čas za nove vožnje.

---

📦 Transportni podatki

Vsaka vrstica v datotekah train_data.csv in test_data.csv predstavlja dostavo med dvema mestoma v Romuniji.

Vsaka dostava vsebuje naslednje podrobnosti:

Stolpec	Opis
ID	Edinstveni identifikator vožnje
City A	Mesto odhoda (kot besedilo)
City B	Mesto namembnega kraja (kot besedilo)
Distance	Dejanska razdalja med mesti (v kilometrih)
Time of Day	Čas dneva izražen v minutah od polnoči, ko se vožnja začne (0 - 1439)
Weather	Vreme med vožnjo (Clear, Rain, Snow, Fog)
Traffic	Raven prometa na številski lestvici (0.0 - 1000.0), maksimum pomeni najbolj zasičen
Road Quality	Kakovost ceste na številski lestvici (1 - 1000), maksimum pomeni najbolj kakovostno
Driver Experience	Raven izkušenj voznika (1 - 40 let)
deliver_time	Samo v train_data.csv: dejanski čas dostave v minutah

---

🎯 Tvoja naloga

Operativni manager ti je dal naslednji dve ključni nalogi za izboljšanje operacij „SmartCargo".

Nabor podatkov za napoved (test_data.csv) vsebuje vzorce z istimi značilnostmi kot nabor za učenje, vendar brez stolpca predicted_time.

Vaš model bo generiral napovedi za te vzorce.

Podnaloge

• Naloga 1 (20t): Situacija Bârlad: pomemben stranka iz Bârlada je poročal o pogostih zamuditvah na vožnjah v pogojih megle. Manager želi izvedeti, koliko voženj se začne iz Bârlada in ob vremenu megle (Fog) v naboru podatkov za napoved. Najdi in poročaj število teh voženj.
• Naloga 2: Ocenjevanje časov za neznane vožnje: Manager ima seznam novih voženj, za katere ne pozna časov potovanja. Uporabiti moraš zgodovinske podatke (iz nabora za učenje) za učenje napovednih modelov in nato oceniti čase dostave za vse vožnje v naboru podatkov za napoved.

Format izhoda

CSV datoteka output.csv, ki naj vključuje naslednje 3 stolpce:

• subtaskID - predstavlja številko podnaloge (1, 2)
• datapointID - ki se nanaša na stolpec ID iz test_data.csv
• answer - ustrezen odgovor za podatkovno točko za ustrezno podnalogo

Opomba: Za podnalogo 1, kjer se zahteva en odgovor za celoten nabor podatkov, prikažite eno vrstico, katere datapointID naj bo 1.

Pošljite en CSV, ki naj vsebuje odgovore za vse podnaloge, ki ste jih rešili. Za ogled primera prenesite datoteko sample_output.csv (Opomba: ta, čeprav v pravilnem formatu, dobi 0 točk pri oddaji).

Ocena

Ocene za podnaloge se bodo izračunavale na naslednji način:

• Podnaloga 1: celoštevilski odgovor, dobite 20 točk samo, če je pravilen.
• Podnaloga 2: glede na uspešnost vašega modela, z uporabo metrike MAE (Mean Absolute Error) na testnem naboru podatkov. Natančen način izračuna ocene na podlagi MAE lahko najdete v Starter Kit-u.

👉 📦 Prenesi Starter Kit OJIA 2025