{
  "fetched_at": "2026-10-19T13:18:12Z",
  "source_url": "https://www.kaggle.com/competitions/data-science-challenge-at-eef-2024/data",
  "pages": [
    {
      "name": "data-description",
      "content": "# Arquivos\n\n*   **public.csv** - Dados públicos, linhas com `espera` ausente correspondem ao conjunto de testes\n*   **sample.csv** - Exemplo de submissão válida\n\n## Colunas\n\n*   `flightid`: id do voo\n*   `hora_ref`: hora de referência da decolagem (truncada nos minutos) \n*   `origem` e `destino`: aeródromos\n*   `url_img_satelite`: imagem de satélite\n*   `metaf` e `metar`: veja descrição do problema\n*   `prev_troca_cabeceira` e `troca_cabeceira_hora_anterior`: veja descrição do problema\n*   `espera`: variável alvo",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "O objetivo desta competição é desenvolver um modelo preditor da presença de esperas para voos comerciais com origem e destino nos 12 principais aeródromos do Brasil.\n\nOs participantes terão acesso a diversas bases de dados relacionadas à geolocalização, satélites, estações meteorológicas e preditores climáticos.\n\nFenômenos meteorológicos exercem uma forte influência na pontualidade de um voo. Por esse motivo, serão fornecidos dados meteorológicos de 3 fontes:\n\n- METAR (Meteorological Aerodrome Report) \n- Imagens de satélite meteorológico\n- METAF (Terminal Aerodrome Forecast)\n\nAs bases METAR e METAF apresentam dados de telemetria de estações meteorológicas da região dos aeródromos, como temperatura, velocidade do vento, umidade, etc. Mais informações sobre quais dados existem e como interpretar os dados de METAR e METAF estão disponíveis [aqui](https://ajuda.decea.mil.br/base-de-conhecimento/como-decodificar-o-metar-e-o-speci/). Embora a codificação destas informações seja complexa, é possível utilizar bibliotecas python para o parsing. Um exemplo de uma biblioteca com essa funcionalidade está disponível [aqui](https://github.com/python-metar/python-metar).\n\nA base de dados Previsão de Troca de Cabeceira traz as previsões por hora de troca de cabeceira nos aeroportos. Os campos dessa base compreendem a hora de referência, a informação de troca de cabeceira (variável booleana) e o aeroporto. Enquanto a base de Histórico de Troca de Cabeceira corresponde às observações de troca de cabeceira, que traz os campos hora de referência, quantidade de trocas de cabeceira nessa hora e o aeroporto.\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "Submissões serão avaliadas utilizando F1.\n\nA variável alvo é se ocorreram (`espera = 1`) ou não (`espera = 0`) esperas durante os voos. \n\n\n## Arquivo de submissão\n\nPara cada `flightid`, a variável `espera` deve ser `0`  ou `1`\n\n    flightid,espera\n    2,0\n    5,0\n    6,1\n    etc.\n\n\nUtilize os mesmos `flightid` do conjunto de teste (ou seja aqueles em que `espera` estão ausentes na base pública)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "Leia o [regulamento](https://docs.google.com/document/d/1lnlPBPfgPm_ijpWDVPI1n34w2E_sTDaEJW6imSQ6GRI/edit?usp=sharing) antes de submeter.\n\nSó serão classificadas as equipes com as inscrições enviadas pelo [formulário](https://forms.gle/pbZRpPgLnpVnzsxK9) e com documentação validada.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": "# A Competição\n\nO Data Science Challenge @ EEF é uma competição de ciência de dados estudantil promovida anualmente no Instituto Tecnológico de Aeronáutica (ITA) desde 2019.\n\nNesta edição, o desafio compreende a construção de um modelo de aprendizado de máquina para prever esperas em voos comerciais.\n\nAcesse o regulamento [aqui](https://docs.google.com/document/d/1lnlPBPfgPm_ijpWDVPI1n34w2E_sTDaEJW6imSQ6GRI/edit?usp=sharing).\n\nAcesse nosso canal do [Discord](https://discord.gg/kTpTdKzFzn) para interagir com os demais competidores.\n\n# Inscrições\n\nSerão permitidas inscrições apenas de alunos atualmente matriculados em algum curso de graduação ou pós-graduação no Brasil.\n\nFaça sua inscrição [aqui](https://forms.gle/pbZRpPgLnpVnzsxK9).\n\n# Apoio\n\n- [ITAEx](https://itaex.com.br/)\n- [ICEA](https://www.icea.decea.mil.br/)\n\n# Organização\n\n- Prof. Filipe Verri (coordenador geral), Divisão de Ciência da Computação, ITA\n- Prof. Elton Sbruzzi, Divisão de Ciência da Computação, ITA\n- Prof. Vitor Curtis, Divisão de Ciência da Computação, ITA\n- Profª. Ana Lorena, Divisão de Ciência da Computação, ITA",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}