智能AI
morning
BER-PEF：通过贝叶斯错误率估计进行统一的人体移动可预测性评估
摘要
arXiv:2609.04292v1 Announce Type: new Abstract: Human mobility predictability concerns the best prediction performance attainable from a given target and input information, but its ground truth is not...
and
predictability
the
mobility
BER
that
interval
ground
truth
for
2026-09-07
1 阅读
约1分钟阅读
En Xu, Jingtao Ding, Zhiwen Yu, Yong Li
字号:
arXiv:2609.04292v1 公告类型：新 摘要：人体移动性可预测性涉及从给定目标和输入信息可获得的最佳预测性能，但其基本事实无法在真实移动性数据上直接观察到。我们提出了 BER-PEF，这是一种基于贝叶斯错误率的框架，可将 BER 估计转换为移动性可预测性估计，并提供一个统一的协议来比较没有可观察的地面事实的估计器。该框架将符号序列、数字轨迹、上下文特征和学习到的表示映射到一个共同的特征——标签空间中，然后通过测量低于区间、高于区间和整个区间的偏差，根据共享的可预测性参考区间沿着受控扰动曲线评估估计器输出。 Foursquare NYC 和 TKY、GeoLife 和 T-Drive 上的实验表明，几种基于 BER 的估计器比符号序列和数值轨迹上的现有可预测性方法实现了更低的参考差异，同时它们的估计跟踪了扰动下经验预测性能的变化。其他分析表明，可以在同一协议下评估上下文输入和多个结构化表示，并且跨多个扰动级别聚合证据为估计器选择提供了比依赖单个未扰动观察更可靠的基础。因此，当地面真实可预测性不可用时，BER-PEF 提供了一个统一且可验证的路径，用于评估异构移动数据的可预测性估计器。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱