HackWagon22

В рамках хакатона HackWagon22, который проводила Первая Грузовая Компания, нужно было разработать сервис для прогнозирования длительности движения вагонов.

Цель проекта

Разработка ML-решения для прогнозирования длительности движения вагонов.

Задачи

Я был капитаном и поэтому вначале я распределил задачи между членами команды.

В мои задачи входило:

1. предобработка данных.
2. исследователський анализ данных.
3. проверка различных гипотез по данным.
4. выбор фитчей для обучения.
5. обучение и тюнинг градиентного бустинга.
6. попробовать применить нейронные сети для данной задачи.

Результаты

Удалось достичь 63.2278 RMSE на публичной части тестовой выборки и занять 9 место в лидерборде.

Удалось достичь 63.2899 RMSE на приватной части тестовой выборки и занять 11 место в лидерборде.

Про данные

Доступно 4.22 млн. строк для обучения и 1.18 млн. строк для теста (без таргета).

Значение метрики на тестовой выборке расчитывалось на удаленном сервере и показывалось в лидерборде. Можно было делать максимум 10 сабмитов в день.

Описание данных:

df_train.parquet

• st_code_snd — id станции отправления.

• st_code_rsv — id станции назначения.

• date_depart_year — год отправления.

• date_depart_month — месяц отправления.

• date_depart_week — неделя отправления.

• date_depart_day — день отправления.

• date_depart_hour — час отправления.

• fr_id — id груза.

• route_type — тип отправки.

• is_load — признак гружёности (1 - гружёный, 0 - порожний.

• rod — род подвижного состава.

• common_ch — id обобщённой характеристики вагона.

• vidsobst — вид собственности.

• distance — расстояние рейса.

• snd_org_id — id грузоотправителя.

• rsv_org_id — id грузополучателя.

• snd_roadid — id дороги отправления.

• rsv_roadid — id дороги назначения.

• snd_dp_id — id региона отправления.

• rsv_dp_id — id региона назначения.

• y — таргет (время в пути в часах).