人类移动性可预测性研究旨在回答一个基础性问题：在给定目标和输入信息的前提下，预测个体移动的最佳表现究竟能达到什么水平。然而，真实移动数据中并不存在可以直接观测的“可预测性真值”，这为不同预测方法的比较带来了根本性困难。针对这一问题，En Xu 等四位研究者提出了一种基于贝叶斯错误率（Bayes Error Rate, BER）估计的框架 BER-PEF，将 BER 估计转化为移动性可预测性估计，从而在缺乏可观测真值的条件下，为预测性估计器提供统一的比较协议。
BER-PEF 的核心思路是将多种异构数据输入映射到一个共同的特征-标签空间。无论原始数据是符号序列、数值轨迹、上下文特征，还是通过表示学习得到的嵌入，都可以在该框架下被统一处理。随后，框架沿受控扰动曲线评估估计器的输出，并与共享的可预测性参考区间进行比较。比较结果通过三种偏离量来刻画：低于该区间的偏差、高于该区间的偏差，以及在整个区间上的综合偏差。
在实验部分，研究者在 Foursquare NYC 和 Foursquare TKY、GeoLife 以及 T-Drive 四个真实数据集上进行了系统评测。结果表明，在符号序列和数值轨迹两类数据上，多种基于 BER 的估计器比既有可预测性估计方法取得了更低的参考区间偏差；同时，在扰动条件下，这些估计值能够很好地追踪经验预测性能的变化。这显示 BER 类方法不仅在静态比较中更准确，也能反映数据扰动对可预测性的真实影响。
进一步分析还揭示了该框架的扩展价值：上下文输入和多种结构化表示可以在同一协议下被公平评估；更重要的是，与依赖单一未扰动观测相比，汇集多个扰动水平下的证据能为估计器选择提供更可靠的依据。作者因而认为，当真实可预测性真值不可获得时，BER-PEF 为在异构移动数据上验证和比较可预测性估计器提供了一条统一、可检验的路径。该论文于 2026 年 9 月 3 日提交至 arXiv，编号为 2609.04292，归属于机器学习（cs.LG）与信息论（cs.IT）两个主题类别。