🚚 SmartCargo - Optimering av leveranser i Rumänien

Transportföretaget "SmartCargo România" behöver intelligenta lösningar för att förbättra uppskattningarna av leveranstider. Du är teamets nya datavetenskapsspecialist, och din uppgift är att bygga precisa modeller som kan förutsäga leveranstider mellan städer i Rumänien.

🎯 Ditt huvudmål

Du måste analysera historiska data om resor mellan städer och förstå hur faktorer som avstånd, tid på dagen, väder, trafik eller förarens erfarenhet påverkar den faktiska leveranstiden.

Ditt mål är att bygga en maskininlärningsmodell som kan förutsäga den uppskattade tiden för nya resor.

---

📦 Transportdata

Varje rad i filerna train_data.csv och test_data.csv representerar en leverans mellan två städer i Rumänien.

Varje leverans innehåller följande detaljer:

Kolumn	Beskrivning
ID	Unik identifierare för resan
City A	Avresestad (som text)
City B	Destinationsstad (som text)
Distance	Verkligt avstånd mellan städer (i kilometer)
Time of Day	Tid på dagen uttryckt i minuter från midnatt när en resa startar (0 - 1439)
Weather	Väder under resan (Clear, Rain, Snow, Fog)
Traffic	Trafiknivå på en numerisk skala (0.0 - 1000.0), maximum betyder mest trafikerad
Road Quality	Vägkvalitet på en numerisk skala (1 - 1000), maximum betyder bästa kvalitet
Driver Experience	Förarens erfarenhetsnivå (1 - 40 år)
deliver_time	Endast i train_data.csv: verklig leveranstid i minuter

---

🎯 Din uppgift

Operationschefen har gett dig följande två väsentliga uppgifter för att förbättra "SmartCargo":s verksamhet.

Datauppsättningen för Förutsägelse (test_data.csv) innehåller prover med samma egenskaper som träningsuppsättningen, men utan kolumnen predicted_time.

Er modell kommer att generera förutsägelser för dessa prover.

Deluppgifter

• Uppgift 1 (20p): Bârlad-situationen: en viktig kund från Bârlad har rapporterat frekventa förseningar på resor under dimma-förhållanden. Chefen vill veta hur många resor som startar från Bârlad och i dimma (Fog) i förutsägelsedatauppsättningen. Hitta och rapportera antalet sådana resor.
• Uppgift 2: Uppskattning av tider för okända resor: Chefen har en lista över nya resor för vilka han inte känner till restiderna. Du måste använda historiska data (från träningsuppsättningen) för att träna förutsägelsemodeller och sedan uppskatta leveranstider för alla resor i förutsägelsedatauppsättningen.

Utdataformat

En csv-fil output.csv som ska innehålla följande 3 kolumner:

• subtaskID - representerar deluppgiftens nummer (1, 2)
• datapointID - som refererar till kolumnen ID från test_data.csv
• answer - motsvarande svar för datapunkten för respektive deluppgift

Obs: För deluppgift 1, där ett enda svar krävs för hela datauppsättningen, visa en enda rad vars datapointID är 1.

Skicka in en enda csv som innehåller svaren för alla deluppgifter som ni har löst. För att se ett exempel, ladda ner filen sample_output.csv (Obs: denna, även om den är i rätt format, får 0 poäng vid inlämning).

Poäng

Poängen för deluppgifter kommer att beräknas enligt följande:

• Deluppgift 1: heltalssvar, ni får 20 poäng endast om det är korrekt.
• Deluppgift 2: baserat på er modells prestanda, med hjälp av MAE-måttet (Mean Absolute Error) på testdatauppsättningen. Ni kan hitta det exakta sättet att beräkna poängen baserat på MAE i Starter Kit.

👉 📦 Ladda ner Starter Kit OJIA 2025