🚚 SmartCargo - Оптимізація доставок в Румунії

Транспортна компанія „SmartCargo România" потребує розумних рішень для покращення оцінок тривалості доставок. Ти є новим спеціалістом з data science команди, а твоя місія — побудувати точні моделі, які передбачатимуть час доставки між містами Румунії.

🎯 Твоя головна мета

Тобі потрібно проаналізувати історичні дані про поїздки між містами та зрозуміти, як такі фактори, як відстань, час доби, погода, трафік або досвід водія впливають на фактичну тривалість доставки.

Твоя мета — побудувати модель Machine Learning, здатну передбачити оцінений час для нових поїздок.

---

📦 Транспортні дані

Кожен рядок у файлах train_data.csv та test_data.csv представляє доставку між двома містами Румунії.

Кожна доставка містить наступні деталі:

Колонка	Опис
ID	Унікальний ідентифікатор поїздки
City A	Місто відправлення (як текст)
City B	Місто призначення (як текст)
Distance	Реальна відстань між містами (у кілометрах)
Time of Day	Момент дня, виражений у хвилинах від півночі, коли відправляється поїздка (0 - 1439)
Weather	Погода під час поїздки (Clear, Rain, Snow, Fog)
Traffic	Рівень трафіку на числовій шкалі (0.0 - 1000.0), максимум означає найбільш завантажений
Road Quality	Якість дороги на числовій шкалі (1 - 1000), максимум означає найякісніший
Driver Experience	Рівень досвіду водія (1 - 40 років)
deliver_time	Тільки в train_data.csv: реальний час доставки у хвилинах

---

🎯 Твоя місія

Операційний менеджер дав тобі наступні два основні завдання для покращення операцій „SmartCargo".

Набір даних для передбачення (test_data.csv) містить зразки з тими ж характеристиками, що й навчальний набір, але без колонки predicted_time.

Ваша модель генеруватиме передбачення для цих зразків.

Підзавдання

• Завдання 1 (20п): Ситуація в Бирладі: важливий клієнт з Бирлада повідомив про часті затримки на поїздках в умовах туману. Менеджер хоче дізнатися, скільки поїздок відправляється з Бирлада і в туманну (Fog) погоду в наборі даних для передбачення. Знайди та повідом кількість таких поїздок.
• Завдання 2: Оцінка часу для невідомих поїздок: Менеджер має список нових поїздок, для яких не знає часу переміщення. Тобі потрібно використати історичні дані (з навчального набору) для тренування моделей передбачення, а потім оцінити час доставки для всіх поїздок з набору даних для передбачення.

Формат виводу

Файл csv output.csv, який повинен включати наступні 3 колонки:

• subtaskID - представляє номер підзавдання (1, 2)
• datapointID - який відноситься до колонки ID з test_data.csv
• answer - відповідь, що відповідає точці даних для відповідного підзавдання

Примітка: Для підзавдання 1, де потрібна одна відповідь для всього набору даних, відобразіть один рядок, чий datapointID буде 1.

Надішліть один csv, який містить відповіді для всіх підзавдань, які ви розв'язали. Щоб побачити приклад, завантажте файл sample_output.csv (Примітка: хоча він у правильному форматі, отримує 0 балів при подачі).

Оцінка

Бали за підзавдання будуть розраховуватися наступним чином:

• Підзавдання 1: ціле число як відповідь, ви отримаєте 20 балів тільки якщо воно правильне.
• Підзавдання 2: залежно від продуктивності вашої моделі, використовуючи метрику MAE (Mean Absolute Error) на тестовому наборі даних. Ви можете знайти точний спосіб розрахунку балу на основі MAE в Starter Kit.

👉 📦 Завантажити Starter Kit OJIA 2025