物流运输时间预测数据集LogisticsTransportationTimePredictionDataset-omnamahshivai

数据来源：互联网公开数据

标签：物流, 运输时间, 预测, 机器学习, 时间序列分析, 地理位置, 客户数据, 运营分析

数据概述：该数据集包含来自物流运输业务的数据，记录了包裹运输的时间及相关影响因素。主要特征如下：时间跨度：数据记录的时间范围为2019年8月29日。地理范围：数据覆盖范围未明确，可能涉及具体的城市或地区。数据维度：数据集包含多个维度的数据，包括实际运输时间（actual_TAT）、服务水平协议（SLA）、是否在途经过星期天（is_sunday_in_between）、起运地和目的地的经纬度（pickup_lat, pickup_lon, drop_lat, drop_lon）、运输距离（distance）、目的地和起运地是否位于都市区（drop_metro, drop_non_metro, pickup_metro, pickup_non_metro）、客户相关信息（cp_id系列特征）、季度和月度维度下的客户延迟和准时率（cp_delay_quarter, cp_ontime_quarter, cp_delay_month, cp_ontime_month）、客户服务区域相关数据（cp_pincode_served_quarter, cp_pincode_served_month）、客户评分相关数据（cp_avg_score_quarter, cp_pos_score_quarter, cp_neg_score_quarter, cp_avg_score_month, cp_pos_score_month, cp_neg_score_month）、以及与医疗相关的货物信息（fc__CURE_MEDS, fc__HEAL_MEDS, fc__HEA）。数据格式：CSV格式，包含Train和Test两个文件，便于数据分析和模型训练。数据来源：数据来源于物流运输业务的运营记录，经过了数据清洗和特征工程处理。该数据集适用于物流运输时间预测、影响因素分析和客户服务质量评估。

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、运筹学和时间序列分析等领域的研究，如预测模型构建、影响因素分析等。行业应用：可以为物流行业提供数据支持，特别是在优化运输效率、预测运输时间、改善客户服务等方面。决策支持：支持物流企业在运输线路规划、资源调配、成本控制等方面的决策制定。教育和培训：作为物流管理、数据分析和机器学习课程的辅助材料，帮助学生和研究人员深入理解物流运营和数据分析方法。此数据集特别适合用于探索影响运输时间的各种因素，构建预测模型，优化物流运营效率，提升客户满意度。