4城实测！新框架让移动预测精度评估首次可验证，无需真实值也能比高低！
BER-PEF: Unified Human Mobility Predictability Evaluation via Bayes Error Rate Estimation
📖 AI 总结
本文提出了一种名为 BER-PEF 的统一框架，用于评估人类移动性可预测性。由于真实移动数据中缺乏可观测的“真实可预测性”基准，传统评估方法面临挑战。BER-PEF 通过将贝叶斯误差率（BER）估计转化为可预测性估计，并建立统一协议，使不同估计器可在无真实基准的情况下进行比较。该框架将符号序列、数值轨迹、上下文特征及学习表示映射到统一的特征-标签空间，并沿受控扰动曲线评估估计器输出，与共享参考区间对比偏差。在 Foursquare NYC/TKY、GeoLife 和 T-Drive 数据集上的实验表明，基于 BER 的估计器在符号序列和数值轨迹上的参考偏差低于现有方法，且能有效追踪扰动下的预测性能变化。此外，该框架支持多类型输入评估，并证明多扰动水平聚合比单次观测更可靠，为异构移动数据上的可预测性估计提供了可验证的统一评估路径。
🔑 关键词速览
| Bayes Error Rate (BER) | 贝叶斯错误率，指在给定特征和标签分布下，任何分类器所能达到的最小错误率，用于衡量预测性能的理论下限。 |
| Human mobility predictability | 人类移动性可预测性，指从历史移动数据中预测个体未来位置所能达到的最佳性能上限。 |
| Estimator | 估计器，这里指用于估计可预测性（如贝叶斯错误率）的算法或模型。 |
| Perturbation curve | 扰动曲线，通过逐步引入噪声或修改数据来观察估计器输出变化的曲线，用于评估估计器的稳定性和一致性。 |
| Reference interval | 参考区间，一个共享的可预测性值范围，用于比较不同估计器的输出偏差。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅