본 논문은 궤적 유사성 계산을 위한 새로운 프레임워크인 MovSemCL을 제안합니다. MovSemCL은 궤적 의미론과 계층 구조를 효과적으로 모델링하고, 계산 비용을 줄이며, 물리적으로 타당한 데이터 증강을 활용합니다. MovSemCL은 GPS 궤적을 움직임 의미론 특징으로 변환하고 패치로 분할하여, 내부 및 패치 간 어텐션을 사용하여 로컬 및 글로벌 궤적 패턴을 인코딩합니다. 또한, 곡률 기반 증강 전략을 통해 유용한 세그먼트를 보존하고 중복된 세그먼트를 마스킹합니다. 실험 결과 MovSemCL은 기존 방법보다 우수한 성능을 보이며, 유사성 검색 작업에서 이상적인 값에 가까운 평균 순위를 달성하고, 휴리스틱 근사에서 최대 20.3% 향상을 보이며, 추론 지연 시간을 최대 43.4% 줄였습니다.
