궤적 유사도 (Trajectory similarity)는 이동성 패턴 (mobility patterns)을 분석하는 데 있어 근본적인 작업이며, 경로 패턴 추출 (route pattern extraction), 이동성 예측 (mobility prediction), 이상 탐지 (anomaly detection)와 같은 응용 분야에 필수적입니다. 유사도를 계산하기 위한 전통적인 거리 기반 측정 방식 (distance-based measures)은 높은 계산 비용을 발생시키며, 이로 인해 경량화된 학습 기반 접근 방식의 채택이 가속화되고 있습니다. 지도 학습 (Supervised methods) 방식은 전통적인 거리 측정값에서 유도된 방대한 라벨에 의존하며, 종종 이러한 지표를 그대로 재현하는 경향이 있어 일반화 (generalization)에 한계가 있습니다. 자기 지도 학습 (self-supervised learning)은 대조 학습 (contrastive learning)을 통해 이 문제를 해결하지만, 통합된 프레임워크가 부족하여 일관된 궤적 표현 (trajectory representation)을 위한 딥러닝 (DL) 모델들을 비교하기 어렵습니다. 이에 따라, 본 논문은 양성 및 음성 궤적 쌍 (positive and negative trajectory pairs)을 통해 유사도 학습을 공식화하는 Momentum Contrast (MoCo) 패러다임에 기반한 선박 궤적 임베딩 (vessel trajectory embeddings) 학습용 통합 프레임워크인 MoCo-AIS를 제시합니다. 이 프레임워크 내에서, 우리는 다양한 항해 행동과 운항 조건을 포착하는 대규모 실세계 선박 추적 AIS 데이터셋을 사용하여 다양한 주요 DL 모델들을 평가합니다. 결과에 따르면, 우리의 프레임워크는 기존 베이스라인 (baselines) 대비 유사도 학습 성능을 크게 향상시키는 동시에, 궤적 표현 모델을 평가하기 위한 벤치마킹 플랫폼을 제공함을 입증하였습니다.