Badacze opracowali BER-PEF, framework oparty na estymacji błędu Bayesa, który rozwiązuje problem oceny przewidywalności mobilności człowieka bez dostępu do rzeczywistej etykiety benchmarkowej. Metoda konwertuje estymację błędu Bayesa bezpośrednio na estymację przewidywalności, oferując ujednolicony protokół do porównywania różnych podejść predykcyjnych.
Framework mapuje dane mobilności na wspólną przestrzeń cech i etykiet, obejmując sekwencje symboliczne, trajektorie numeryczne, cechy kontekstowe oraz reprezentacje nauczone przez modele. Kluczową innowacją jest zastosowanie kontrolowanych krzywych perturbacji do oceny wydajności estymatorów, która mierzy odchylenia zarówno poniżej jak i powyżej zdefiniowanego przedziału referencyjnego. To pozwala na weryfikowalną ocenę bez konieczności posiadania rzeczywistych danych testowych.
Eksperymentalne walidacje na zbiorach GeoLife, T-Drive oraz danych z Foursquare z Nowego Jorku i Tokio wykazały, że estymatory oparte na BER osiągają lepsze wyniki niż dotychczasowe metody przewidywalności mobilności. Szczególnie istotne jest, że框架pozwala na agregację dowodów z wielu poziomów perturbacji, co zapewnia bardziej wiarygodną podstawę do selekcji modeli niż opieranie się na pojedynczej obserwacji bez perturbacji. BER-PEF ma potencjał aby stać się standardem w ocenie granic przewidywalności różnych typów danych mobilności.