Freight Rate Prediction Using Machine Learning & Time-Based Validation

Developed a machine learning solution to predict freight truckload rates using 48,000 historical shipment records and forecast rates for 12,000 future shipments across a two-month period

The project focused on building a reliable prediction pipeline, improving data quality, and evaluating model performance

using a time-based validation strategy to simulate real-world forecasting conditions

Results

Achieved 1.6% prediction error on future-month data

Improved performance compared with the baseline model

Demonstrated the importance of chronological validation when building forecasting models

طوّرت نموذجًا للتعلّم الآلي للتنبؤ بأسعار شحن البضائع بالشاحنات، باستخدام 48,000 سجل تاريخي لعمليات الشحن، والتنبؤ بأسعار 12,000 شحنة مستقبلية خلال فترة شهري.

ركّز المشروع على بناء نظام موثوق للتنبؤ، وتحسين جودة البيانات، وتقييم أداء النموذج باستخدام أسلوب التحقق الزمني (Time-Based Validation) لمحاكاة ظروف التنبؤ الواقعية

النتائج

- تحقيق نسبة خطأ في التنبؤ بلغت 1.6% عند اختبار النموذج على بيانات الأشهر المستقبلية

- تحسين الأداء مقارنةً بالنموذج الأساسي (Baseline Model)

- إثبات أهمية التحقق الزمني في بناء نماذج التنبؤ، لضمان تقييم أكثر واقعية لقدرتها على التنبؤ بالبيانات المستقبلية