🚚 SmartCargo - Optimizacija dostava u Rumuniji

Transportna kompanija „SmartCargo România" ima potrebu za pametna rešenja za poboljšanje procena trajanja dostave. Ti si novi specijalista za data science u timu, a tvoja misija je da izgradiš precizne modele koji predviđaju vremena dostave između gradova u Rumuniji.

🎯 Tvoj glavni cilj

Treba da analiziraš istorijske podatke o vožnjama između gradova i da razumeš kako faktori poput distance, doba dana, vremena, saobraćaja ili iskustva vozača utiču na stvarno trajanje dostave.

Tvoj cilj je da izgradiš model mašinskog učenja sposoban da predvidi procenjeno vreme za nove vožnje.

---

📦 Podaci o transportu

Svaki red u fajlovima train_data.csv i test_data.csv predstavlja dostavu između dva grada u Rumuniji.

Svaka dostava sadrži sledeće detalje:

Kolona	Opis
ID	Jedinstveni identifikator vožnje
City A	Grad polaska (kao tekst)
City B	Grad odredišta (kao tekst)
Distance	Stvarna distanca između gradova (u kilometrima)
Time of Day	Doba dana izraženo u minutima od ponoći kada kreće vožnja (0 - 1439)
Weather	Vreme tokom vožnje (Clear, Rain, Snow, Fog)
Traffic	Nivo saobraćaja na numeričkoj skali (0.0 - 1000.0), maksimum znači najzagušeniji
Road Quality	Kvalitet puta na numeričkoj skali (1 - 1000), maksimum znači najkvalitetniji
Driver Experience	Nivo iskustva vozača (1 - 40 godina)
deliver_time	Samo u train_data.csv: stvarno vreme dostave u minutima

---

🎯 Tvoja misija

Operativni menadžer ti je dao sledeća dva ključna zadatka za poboljšanje operacija „SmartCargo".

Skup podataka za predikciju (test_data.csv) sadrži uzorke sa istim karakteristikama kao skup za obuku, ali bez kolone predicted_time.

Vaš model će generisati predikcije za ove uzorke.

Podzadaci

• Zadatak 1 (20p): Situacija Bârlad: važan klijent iz Bârlada je prijavio česte kašnjenja na vožnjama u uslovima magle. Menadžer želi da sazna koliko vožnji polazi iz Bârlada i na vreme magle (Fog) u skupu podataka za predikciju. Pronađi i prijavi broj ovih vožnji.
• Zadatak 2: Procena vremena za nepoznate vožnje: Menadžer ima listu novih vožnji za koje ne zna vremena putovanja. Treba da koristiš istorijske podatke (iz skupa za obuku) da obuciš modele za predikciju i zatim da proceniš vremena dostave za sve vožnje iz skupa podataka za predikciju.

Format izlaza

Csv fajl output.csv koji treba da uključi sledeće 3 kolone:

• subtaskID - predstavlja broj podzadatka (1, 2)
• datapointID - koji se odnosi na kolonu ID iz test_data.csv
• answer - odgovarajući odgovor za datapoint za odgovarajući podzadatak

Napomena: Za podzadatak 1, za koji se traži jedan odgovor za ceo skup podataka, prikažite jednu liniju čiji datapointID treba da bude 1.

Pošaljite jedan csv koji sadrži odgovore za sve podzadatke koje ste rešili. Da biste videli primer, preuzmite fajl sample_output.csv (Napomena: ovaj, iako u ispravnom formatu, dobija 0 poena pri submisiji).

Skor

Skorovi za podzadatke će se računati na sledeći način:

• Podzadatak 1: celobrojni odgovor, dobijate 20 poena samo ako je tačan.
• Podzadatak 2: u zavisnosti od performansi vašeg modela, koristeći metriku MAE (Mean Absolute Error) na skupu podataka za testiranje. Možete pronaći tačan način računanja skora baziranog na MAE u Starter Kit-u.

👉 📦 Preuzmi Starter Kit OJIA 2025