物流时效预测数据集LogisticsTATPredictionDataset-omnamahshivai
数据来源：互联网公开数据
标签：物流, 时效预测, 机器学习, 运输, 预测模型, 订单, 数据分析, 供应链
数据概述：
该数据集包含来自物流运输场景的数据，记录了与订单交付时间（TAT, Turnaround Time）相关的多个维度信息，用于构建时效预测模型。主要特征如下：
时间跨度：数据记录的时间范围为2019年11月25日至2019年12月6日，提供了短期内的物流数据。
地理范围：数据覆盖了多个城市，包括德里、坎普尔、孟买、浦那、那格浦尔、海得拉巴、维沙卡帕特南、班加罗尔、金奈、加尔各答等。
数据维度：数据集包含了丰富的特征，如SLA（服务水平协议）、周末天数、节假日信息、起运地和目的地邮政编码、经纬度、距离、是否为地铁覆盖范围、仓库距离、订单量、客户量、客户类型、订单延迟和准时率等。
数据格式：CSV格式，包含训练集和测试集两个文件，文件名分别为TAT_Prediction_Train_Version_63_Min_100_03_12_2019_30_15_to_06_12_With_Cyclic_and_rounding.csv和TAT_Prediction_Test_Version_63_Min_100_06_12_2019_25_11_to_06_12_With_Cyclic_and_rounding.csv，方便数据分析和建模。
来源信息：数据来源于物流运输公司或相关数据平台，经过了数据清洗和特征工程处理。
该数据集适合用于物流时效预测、运输效率优化和供应链管理等领域。
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、数据科学和运筹学等领域的学术研究，例如时效预测模型的构建、影响因素分析、优化算法的开发等。
行业应用：可以为物流公司、电商平台和供应链管理企业提供数据支持，特别是在预测订单交付时间、优化运输路径、提高客户满意度等方面。
决策支持：支持物流企业进行资源调度、运力规划、风险管理等决策，从而提升运营效率和降低成本。
教育和培训：作为数据科学、机器学习和物流管理等课程的实训材料，帮助学生和研究人员理解物流数据分析和时效预测。
此数据集特别适合用于构建时效预测模型，分析影响订单交付时间的关键因素，从而优化物流运营效率和提升客户体验。
