🚚 SmartCargo - 罗马尼亚配送优化

运输公司"SmartCargo România"需要智能解决方案来改善配送时间估算。你是团队新的数据科学专家，你的任务是构建精确的模型来预测罗马尼亚城市间的配送时间。

🎯 你的主要目标

你需要分析城市间运输的历史数据，并理解距离、时间、天气、交通或司机经验等因素如何影响实际配送时间。

你的目标是构建一个机器学习模型，能够预测新运输任务的估计时间。

---

📦 运输数据

train_data.csv 和 test_data.csv 文件中的每一行代表罗马尼亚两个城市之间的一次配送。

每次配送包含以下详细信息：

列名	描述
ID	运输任务的唯一标识符
City A	出发城市（文本）
City B	目的地城市（文本）
Distance	城市间实际距离（公里）
Time of Day	运输出发时间，以午夜后的分钟数表示（0 - 1439）
Weather	运输期间的天气（Clear、Rain、Snow、Fog）
Traffic	交通水平数值刻度（0.0 - 1000.0），最大值表示最拥堵
Road Quality	道路质量数值刻度（1 - 1000），最大值表示质量最好
Driver Experience	司机经验水平（1 - 40年）
deliver_time	仅在 train_data.csv 中：实际配送时间（分钟）

---

🎯 你的任务

运营经理为改善"SmartCargo"的运营给了你以下两个关键任务。

预测数据集（test_data.csv）包含与训练集相同特征的样本，但没有 predicted_time 列。

你的模型将为这些样本生成预测。

子任务

• 任务1（20分）：Bârlad情况：来自Bârlad的重要客户报告在雾天条件下经常出现延误。经理想知道在预测数据集中有多少运输从Bârlad出发且天气为雾天（Fog）。找到并报告这些运输的数量。
• 任务2：未知运输的时间估算：经理有一份新运输清单，不知道运输时间。你需要使用历史数据（来自训练集）训练预测模型，然后估算预测数据集中所有运输的配送时间。

输出格式

一个csv文件 output.csv，应包含以下3列：

• subtaskID - 表示子任务编号（1, 2）
• datapointID - 指向 test_data.csv 中的 ID 列
• answer - 对应数据点在相应子任务中的答案

注意： 对于子任务1，需要对整个数据集给出单一答案，请显示一行，其 datapointID 为1。

提交一个包含你解决的所有子任务答案的单一csv文件。要查看示例，请下载 sample_output.csv 文件（注意：虽然格式正确，但提交时得0分）。

评分

子任务的分数计算如下：

• 子任务1：整数答案，只有正确时才能获得20分。
• 子任务2：根据你的模型性能，使用测试数据集上的MAE（平均绝对误差）指标。你可以在Starter Kit中找到基于MAE的确切分数计算方法。

👉 📦 下载 Starter Kit OJIA 2025