La predicción de movilidad humana es una tarea clave en las ciudades inteligentes para ayudar a mejorar la efectividad en la gestión urbana. Sin embargo, sigue siendo un desafío debido a la presencia generalizada de ruidos intratables en datos de movilidad a gran escala. Basándonos en investigaciones anteriores y en nuestro análisis estadístico de datos reales a gran escala, observamos que existe heterogeneidad en la calidad de las trayectorias de los usuarios, es decir, la regularidad y periodicidad de las trayectorias de un usuario pueden ser bastante diferentes de las de otro. Inspirados en esto, proponemos un marco de calibración de calidad de trayectoria para cuantificar la calidad de cada trayectoria y promover instancias de entrenamiento de alta calidad para calibrar el proceso de predicción final. El módulo principal de nuestro enfoque es una red de calibración que evalúa la calidad de las trayectorias de cada usuario aprendiendo su similitud entre ellas. Está diseñado para ser independiente del modelo y puede ser entrenado de manera no supervisada. Finalmente, el modelo de predicción de movilidad se entrena con la estrategia de ponderación de instancias, que integra puntajes de calidad cuantificados en el proceso de actualización de parámetros del modelo. Experimentos realizados en dos conjuntos de datos de movilidad a nivel de ciudad demuestran la efectividad de nuestro enfoque al tratar con trayectorias ruidosas masivas en el mundo real.