人間のモビリティ予測可能性に関する研究は、「与えられた対象と入力情報のもとで、移動予測が原理的にどこまで正確になり得るか」という問いに答えることを目的としている。しかし、実際のモビリティデータには、予測可能性の正解値が直接観測できる形では存在しない。このため、異なる予測手法を公平に比較することは従来困難だった。この問題に対して、En Xu氏ら4名の研究者は、ベイズ誤り率（Bayes Error Rate, BER）の推定をモビリティ予測可能性の推定へと変換する枠組み「BER-PEF」を提案した。これは、観測可能な正解値がない状況でも、予測可能性推定器を統一的に比較するためのプロトコルを提供するものだ。
BER-PEFの中心的な考え方は、記号列、数値軌跡、文脈特徴、学習済み表現といった異種のデータを、共通の特徴ラベル空間へ写像することである。その上で、制御された摂動曲線に沿って推定器の出力を評価し、共有された予測可能性の参考区間と比較する。乖離の度合いは、区間を下回る偏差、区間を上回る偏差、そして全区間にわたる偏差として測定される。
実験では、Foursquare NYC/TKY、GeoLife、T-Driveという4つの実データセットを使用している。その結果、記号列と数値軌跡の両方において、複数のBERベース推定器が既存の予測可能性手法よりも参考区間との乖離が小さいことが示された。さらに、それらの推定値は摂動下での経験的予測性能の変化をよく追跡することも確認されている。これは、BERに基づく手法が静的な比較だけでなく、データの撹乱が予測可能性に与える影響の評価にも有効であることを示している。
追加の分析では、文脈入力や複数の構造化表現も同じプロトコルで評価できることが示された。また、単一の非摂動観測に依存するよりも、複数の摂動レベルからの証拠を集約する方が、推定器の選択においてより信頼性の高い判断材料となることも明らかになった。著者らは、真の予測可能性が得られない異種モビリティデータ上で、予測可能性推定器を統一的かつ検証可能な形で評価できる点がBER-PEFの貢献だと述べている。本論文は2026年9月3日にarXivへ投稿され、識別番号は2609.04292、機械学習（cs.LG）と情報理論（cs.IT）に分類されている。