Современные компании стремятся обеспечивать точные и быстрые доставки товаров, чтобы улучшить клиентский опыт и оптимизировать логистические процессы. Однако, неопределенности, связанные с транспортировкой и различными другими факторами, могут существенно повлиять на сроки доставки. В этой задаче вам предстоит разработать модель машинного обучения, которая будет предсказывать время доставки товаров по железной дороге из одного пункта в другой.

В качестве исходных данных будут предоставлен датасет, содержащий координаты исходного пункта и пункта прибытия в европейской части России, а также время, за которое поезд проезжает это расстояние. Для построения маршрутов предлагается использовать данные qgis, openstreetmap и geofabrik. Для работы с данными можно использовать библиотеку OSMnx. Один из вариантов решения подобных задач сводится к построению графа и нахождению оптимального пути от одного его узла к другому.

Проверка решения будет осуществляться с помощью тестов, которые сравнивают рассчитанное время маршрута с фактическими данными о маршрутах и сроках доставки. Отклонение от реальных маршрутов будет измеряться с использованием метрики MRPE (mean relation percentage error).
MRPE вычисляется по формуле:

где N – число наблюдений, y_i - фактическое значение независимой переменной для i-го наблюдения, ŷ_i - значение, предсказанное моделью для i-го наблюдения.

● Точность прогнозирования сроков доставки: насколько точно расчетные сроки совпадают с фактическими данными по маршрутам доставки грузов, количество успешных тестов.
● Качество и глубина анализа данных: уровень проработки и тщательность анализа предоставленных данных.
● Оригинальность подхода и креативность: насколько нестандартные и инновационные методы были использованы при создании модели машинного обучения.
● Понятность и структурированность презентации: как четко и логично представлено решение и его результаты.