货运延迟预测数据集ShipmentDelayPredictionDataset-omnamahshivai
数据来源：互联网公开数据
标签：货运延迟, 物流分析, 机器学习, 预测模型, 运输时间, 空间数据, 供应链管理, 数据挖掘
数据概述：
该数据集包含来自货运业务的数据，记录了货物运输过程中的延迟情况，旨在用于预测货物是否会延迟送达。主要特征如下：
时间跨度：数据记录的时间范围为2019年9月5日，属于单日快照数据。
地理范围：数据未明确标注地理范围，但包含经纬度信息，可能涉及多个地理位置的货物运输。
数据维度：数据集包含多个特征，包括：是否延迟（is_delayed）、实际运输时间（actual_TAT）、服务水平协议（SLA）、是否为周日（is_sunday_in_between）、是否在节假日期间（holiday_in_between）、取货和送货的经纬度（pickup_lat, pickup_lon, drop_lat, drop_lon）、运输距离（distance）、送货地点是否为都会区或非都会区（drop_metro, drop_non_metro）、取货地点是否为都会区或非都会区（pickup_metro, pickup_non_metro）、合作方ID信息（cp_id_4, cp_id_5, cp_id_6, cp_id_14, cp_id_72）、合作方延迟、准时率、服务区域等季度和月度统计数据（cp_delay_quarter, cp_ontime_quarter, cp_delay_per_quarter, cp_ontime_per_quarter, cp_pincode_served_quarter, cp_pincode_served_percent_quarter, cp_avg_score_quarter, cp_pos_score_quarter, cp_neg_score_quarter, cp_delay_month, cp_ontime_month, cp_delay_per_month, cp_ontime_per_month, cp_pincode_served_month, cp_pincode_served_percent_month, cp_avg_scor等）。
数据格式：CSV格式，包含训练集和测试集（Is_delayed_prediction_Train_7_Avatar_2_Version_1_05_09_2019csv和Is_delayed_prediction_Test_7_Avatar_2_Version_1_05_09_2019csv），便于进行数据分析和模型训练。
该数据集源于货运业务，经过标准化处理，适合用于构建预测模型。
数据用途概述：
该数据集具有广泛的应用潜力，特别适用于以下场景：
研究与分析：适用于物流管理、供应链优化领域的学术研究，如延迟预测、运输效率分析等。
行业应用：为物流公司、电商平台等提供数据支持，特别是在预测运输时间、优化路线规划、提升客户满意度等方面。
决策支持：支持物流企业优化运营策略，提高准时送达率，降低运营成本。
教育和培训：作为物流管理、数据科学等课程的实训素材，帮助学生和研究人员理解货运延迟的影响因素，构建预测模型。
此数据集特别适合用于探索影响货运延迟的关键因素，构建预测模型，从而实现对货运过程的优化，提升运输效率。
