人類移動性可預測性研究旨在回答一個基礎性問題：在給定目標和輸入信息的前提下，預測個體移動的最佳表現究竟能達到什麼水平。然而，真實移動數據中並不存在可以直接觀測的“可預測性真值”，這為不同預測方法的比較帶來了根本性困難。針對這一問題，En Xu 等四位研究者提出了一種基於貝葉斯錯誤率（Bayes Error Rate, BER）估計的框架 BER-PEF，將 BER 估計轉化為移動性可預測性估計，從而在缺乏可觀測真值的條件下，為預測性估計器提供統一的比較協議。
BER-PEF 的核心思路是將多種異構數據輸入映射到一個共同的特徵-標籤空間。無論原始數據是符號序列、數值軌跡、上下文特徵，還是通過表示學習得到的嵌入，都可以在該框架下被統一處理。隨後，框架沿受控擾動曲線評估估計器的輸出，並與共享的可預測性參考區間進行比較。比較結果通過三種偏離量來刻畫：低於該區間的偏差、高於該區間的偏差，以及在整個區間上的綜合偏差。
在實驗部分，研究者在 Foursquare NYC 和 Foursquare TKY、GeoLife 以及 T-Drive 四個真實數據集上進行了系統評測。結果表明，在符號序列和數值軌跡兩類數據上，多種基於 BER 的估計器比既有可預測性估計方法取得了更低的參考區間偏差；同時，在擾動條件下，這些估計值能夠很好地追蹤經驗預測性能的變化。這顯示 BER 類方法不僅在靜態比較中更準確，也能反映數據擾動對可預測性的真實影響。
進一步分析還揭示了該框架的擴展價值：上下文輸入和多種結構化表示可以在同一協議下被公平評估；更重要的是，與依賴單一未擾動觀測相比，彙集多個擾動水平下的證據能為估計器選擇提供更可靠的依據。作者因而認為，當真實可預測性真值不可獲得時，BER-PEF 為在異構移動數據上驗證和比較可預測性估計器提供了一條統一、可檢驗的路徑。該論文於 2026 年 9 月 3 日提交至 arXiv，編號為 2609.04292，歸屬於機器學習（cs.LG）與信息論（cs.IT）兩個主題類別。