去过很多地方的人，下一小时的位置一定更难猜吗？
论文名片｜Chaoming Song、Zehui Qu、Nicholas Blumm、Albert-László Barabási，Limits of Predictability in Human Mobility，Science，2010，327（5968）：1018–1021，2010年2月19日发表。DOI：10.1126/science.1177170。这是一项手机基站记录的观察分析，结合熵估计与信息论上界推导。
一个人每天在住处与附近办公室之间往返，另一个人经常跨越数十乃至数百公里。直觉上，前者的位置更容易猜中。但远行者如果总在固定时间去固定地点，他的活动范围虽然大，时间表仍可能很规律。
这篇论文最著名的数字是93%。准确含义是：在研究选定的用户、基站尺度和逐小时位置任务中，根据历史轨迹估计的潜在预测上限集中在约93%。论文没有训练一个已经达到93%准确率的预测器，也没有证明所有人、所有精度的位置都能预测到这个水平。
先说结论：
- 只看去过多少地点，会高估位置的不确定性；地点访问频率和访问顺序都包含规律。
- 在最终45,000位用户中，理论上限的分布集中于约93%；活动半径超过约10公里后，上限与活动半径的关系较弱。
- 只允许答案落在最常去的两个地点，最多覆盖约60%的位置时刻，不能解释全部潜在规律。
- 这一结果依赖缺失数据修正、有限样本熵估计和信息论假设；它给出潜力与边界，而非一次实际预测竞赛的成绩。
手机记录看到了什么，又漏掉了什么？
主数据D1来自匿名化运营商记录，覆盖2007年约4—6月的14周、约1000万用户。补材说明，发出或收到通话、短信时会记录路由基站位置。研究从中选择50,000位访问过超过两个基站、平均通话频率至少每小时0.5次的用户。高频用户筛选提高了记录密度，也限定了样本代表性。
基站平均接收区域约3平方公里。研究对象是基站附近的位置，不是街道门牌，更不是精确室内坐标。每位用户的14周记录被分成2352个小时格；一小时内若有多次记录，随机选一条；若没有记录，就标成未知符号“？”。因此任务是推测逐小时位置，连续多小时待在同一地点也计入规律，不能直接等同于预测下一次真正换地点的目的地。
即使通话频率较高，记录仍然很稀疏：未知小时比例q的分布在约0.7附近达到峰值。通话往往成串发生，平均每小时0.5次并不保证每两个小时都有一次位置更新。
图 1｜活动范围和访问网络不同，位置记录为何仍可能同样规律？
（A）两位匿名用户分别访问22与76个基站，坐标为公里，灰线近似表示基站接收区域，彩色连接表示记录到的地点转换。两人的空间活动范围明显不同。
（B）对应移动网络中，节点大小表示该基站附近的通话频率，边宽表示观察到的直接转换频率；少数大节点体现访问集中，不能把通话份额无条件等同于真实停留时间。
（C）22基站用户一周的通话时间序列，每条竖线是一条通话记录，颜色对应地点；空白时段说明没有观测，而非用户没有移动。
（D）相邻通话间隔τ的分布跨越多个时间尺度，显示通话成串出现。（E）未知小时比例q主要集中在约0.7，暴露了熵估计必须处理的缺失问题。来源：原论文 Fig. 1。
没有记录的七成小时，怎样进入分析？
若把未知符号当成一个真实地点，轨迹结构会受到扭曲。研究使用基于Lempel–Ziv压缩思想的熵估计：已经反复出现过的序列较容易压缩，新的、不规则序列较难压缩，因而可以据此估计每步新增的不确定性。
缺失修正还多做了一步：从已经有缺失的序列里，再随机删去部分已知位置，让q继续增加；计算原序列与随机打乱序列的熵比值的对数，再利用其近似线性关系，向q＝0外推。这里重建的是总体熵的估计，没有恢复每一个未知小时的真实位置。
独立数据D2包含1000位自愿参加持续定位服务的用户，其中100位有连续8天逐小时记录。研究从这些完整轨迹中人为删除位置，再检查估计能否接近完整记录的熵；同时在D1中选择q＜0.35的较密集用户，考察更长序列。补材表明，时间序列越长，方法能容忍的缺失比例通常越高，约20天后接近其算法阈值0.825。因此最终分析保留q＜0.8的45,000人，排除缺失最多的5000人。
这并不等于任意丢失80%数据都能可靠恢复。验证包含随机删除，而真实漏记取决于通话行为，可能与时间、地点或活动相关；D2完整验证窗口也只有8天。低熵、短序列与高缺失的组合，会增加估计偏差。
图 2｜缺失比例相同，记录越长是否越容易估计？
（a、b）两位D2用户分别取2、4、8天记录，横轴为人工缺失比例q，纵轴为估计熵除以完整记录熵；接近1表示估计接近参照值，短记录和高缺失时偏离更大。
（c）D1一位原本q＝0.3的用户，比较4、8、16、32天记录，较长记录在更大q下仍较接近1。
（d）横轴为序列天数，纵轴为满足给定误差条件时能容忍的最大q；颜色与符号区分D1、D2及10%、20%的相对误差阈值。接近0.825的平台属于本估计流程的适用性检验，不是人的行为参数。来源：补充材料 Fig. S6。
93%是怎样算出来的？
研究为每个人建立三个不同的参照：随机熵Srand只知道他访问过N个地点，并假定每处等概率，因此为log₂N；无时间关联熵Sunc保留各地点访问频率，却忽略顺序；实际熵率S进一步考虑序列中的时空重复结构。理论上有S≤Sunc≤Srand。
最终样本的随机熵分布在约6比特附近达峰，相当于等概率从64个地点中选择。实际熵率的峰值却约为0.8比特。2⁰·⁸约为1.74，是等效不确定性的表达，不能解读为用户现实中只去过不到两个地方。
要从熵转成预测问题，还需要地点数N。Fano不等式给出一个约束：将S与N代入 S＝H(Πmax)＋(1−Πmax)log₂(N−1)，可以求出预测成功率的上界Πmax。H是二元熵函数，衡量“猜中/猜错”的不确定性。熵越低，一般容许越高的预测成功率。
这里的上界是依据历史位置序列的信息量推导的约束。知道全部条件概率时，总选最可能的下一位置是一个理想决策；有限数据中能否学到这些概率，以及Fano上界是否紧，则是另外的问题。论文没有给出留出未来时段的93%实测成绩。
图 3｜时间顺序提供的信息，是否只是最常去几个地点的另一种说法？
（A）橙、绿、蓝色分别为实际熵率、无时间关联熵、随机熵的分布；保留更多序列结构后，不确定性明显降低。
（B）对应的理论可预测性分布中，橙色Πmax集中在约0.93；绿色频率参照较宽，峰值约0.3，蓝色等概率参照集中于较低值。这些是按各熵值转换的界限，不是三个实际预测算法的成绩。
（C）横轴为回转半径rg，纵轴为Πmax。回转半径衡量记录位置围绕个人轨迹中心分散的程度，并非累计路程；超过约10公里后，曲线接近0.93的平台。
（D）横轴为允许考虑的前n个常访地点，纵轴为这些地点合计覆盖的时间份额。前两处约为0.6，前十处仍未覆盖全部；插图显示需纳入更多地点才接近完整覆盖。来源：原论文 Fig. 2。
图3D尤其需要限定条件。前n个地点的覆盖率，是“答案只准从这些地点中选”这一预测器的最高覆盖可能；它不是所有预测器的全局上界。两个最常访地点在论文中常被解释为家和工作地，但仅凭基站频率不能保证每个用户都具有这两个功能标签。
远行者是否也有稳定的时间表？
研究把一周分成168个小时格，在每格寻找跨周最常出现的位置。例如，周一上午8—9点最常出现于某基站，就把它当作这个时段的典型地点。规律性R是实际位置与该典型地点一致的比例。
全样本R约为0.7，夜间可接近0.9；中午及傍晚转移时段降低。论文推导R≤Π≤Πmax：只按周内时间格做典型地点判断，忽略了更丰富的历史序列，因此可作为理想可预测性的下界参照。但这个样本内规律统计没有提供独立测试集准确率。
图 4｜活动范围大，是否意味着缺少固定节奏？
（A）横轴为一周的小时，纵轴为规律性R(t)，反复出现的日内峰谷说明典型时段有典型位置。
（B）对应小时的平均访问地点数N(t)，在规律性低的时段较高，符合转换时段有更多位置可能的情形。
（C）横轴为回转半径rg，纵轴为相对等概率基线的规律性R/Rrand，Rrand＝1/N。远行用户的相对优势更大；由于基线本身随N变化，不能把它误读成绝对规律性一定随距离升高。来源：原论文 Fig. 3。
周末也未普遍失去规律。补图S8中，65%的用户周末R高于工作日；只有工作日R已超过0.8的高规律群体，其周末平均趋势有所下降，这群人约占19%。这说明固定工作日程不是唯一可能来源，但并未识别出个人偏好、家庭责任、服务时间等因素各自的因果贡献。
图 5｜周末一定比工作日更难形成规律吗？
该图无字母子图。横轴为工作日R，纵轴为周末R；灰点表示45,000位用户，红点为平均趋势，蓝色虚线表示二者相等。大量点在虚线上方，提醒我们不能把规律完全归结为工作约束。来源：补充材料 Fig. S8。
相近的上限，是否说明不同人群完全一样？
年龄、性别比较中，论文未见明显的Πmax差别；女性R略高的表面差异，在按访问地点数N的关系归一化后消失。补材中R约按N⁻¹⁄⁴下降，远慢于等概率基线1/N。这支持规律性并非简单由地点数量决定，却不等于人口属性在所有任务上都不起作用。
收入与语言的比较尤其需要谨慎：研究依据最常用基站所属省份赋予平均收入和区域语言，并未拿到每个用户的真实收入、语言偏好。区域层面上限相近，不能推出个人层面一定没有差异。
图 6｜地区背景不同，理论上限是否明显变化？
（a）横轴为省级平均年收入，单位为万欧元/年；浅紫圆点是Πmax，深紫三角是R，上限变化较小而R存在一定变化。（b）横轴为七个区域语言分组，浅紫与深紫柱分别表示Πmax和R。这里比较的是赋予用户的区域属性。来源：补充材料 Fig. S12。
图 7｜城市密度和远离都市的程度，会改变同一个上限吗？
原图三个面板未印字母，图注按（a—c）引用。（a，左）横轴为人口密度，覆盖约四个数量级；深蓝Πmax相对稳定，浅绿R有较多变化。（b，中）比较四个最大都市内部与外部。（c，右）横轴为距离这四个都市的公里数，上限同样变化较小。位置对应的密度来自邮编社区信息；结果不能直接外推到任意国家或更精细定位。来源：补充材料 Fig. S13。
这项研究没有宣称什么？
93%属于经过筛选的高频用户、约三个月的历史窗口、小时级与基站级的位置表征。新地点增加、生活变化、空间分辨率提高，以及改成只预测地点转换，都可能改变问题本身。
熵率估计通常依赖序列足够长且统计规律在研究窗口内相对稳定；现实轨迹会有节假日、搬家等非平稳变化。信息论不等式本身与有限样本熵估计是两层问题：估计存在误差时，数值上界也随之受影响。
因此，这篇论文支持“丰富的历史序列包含很强的移动规律”，没有提供一种读出个人动机的方法，也没有证明剩余7%就是不可改变的自由意志份额。地点预测是明确数据口径下的统计任务，不能代替对整个人类行为的判断。
一句话总结
活动范围相差很大的人，也可能具有相近的逐小时位置规律；93%刻画的是特定记录尺度下由熵估计得到的潜在上限，而非已经实现的追踪准确率。
核心来源
- 原论文与DOI，作者实验室公开全文。
- 原始补充材料的佛蒙特大学学术存档：S1—S7、Figs. S1—S13、熵修正与Fano不等式推导。本文图1、3、4对应正文Fig. 1、2、3，其余对应所标补图。
作者介绍
Chaoming Song：论文署名为美国东北大学复杂网络研究中心及物理、生物、计算机科学相关院系，并列哈佛医学院医学系和丹娜—法伯癌症研究所癌症系统生物学中心。
Zehui Qu：署名包含上述东北大学、哈佛医学院与丹娜—法伯机构，另列成都电子科技大学计算机科学与工程学院。
Nicholas Blumm：论文署名包含东北大学复杂网络研究中心及相关院系、哈佛医学院医学系与丹娜—法伯癌症系统生物学中心。
Albert-László Barabási：为本文通信作者，署名同列东北大学复杂网络研究中心、哈佛医学院医学系与丹娜—法伯癌症系统生物学中心。以上均为论文发表时身份。
延伸思考
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
出行预测若只报一个总体准确率，很容易把“持续留在同一地点”与“真正猜中下一次移动”混在一起。一个总说用户还在家的算法，可能在夜间很好看，在真正需要交通服务的转换时段却很差。
更有用的评估可以同时报告逐小时位置、发生转换时的目的地、首次访问新地点三个任务，并保持同样的训练与未来测试划分。若一个模型只在第一个任务接近理论上界，就说明它很好地利用了停留规律；只有后两个任务也有可靠表现时，才能进一步讨论它对交通需求变化的价值。
