궤적 유사도 학습(Trajectory similarity learning)은 복잡한 거리 측정 방식 하에서 효율적인 궤적 검색(trajectory retrieval)을 수행하는 데 필수적입니다. 기존의 학습 기반 방법들은 일반적으로 궤적 거리나 순위(rankings)를 근사하도록 훈련된 임베딩(embeddings)에 의존하지만, 원래의 거리와 관련하여 보장(guarantees)이 부족하고, 거리 측정 방식에 따라 불안정한 성능을 보이며, 상당한 훈련 비용이 발생한다는 단점이 있습니다. 본 연구에서는 하한 표현(lower-bound representation) 관점에서 궤적 유사도 학습을 재검토하고, 심층 신경망 임베딩(deep neural embeddings)에 의존하지 않는 통합된 하한 표현 프레임워크인 LB-TrajRep를 제안합니다. 이 프레임워크는 일련의 하한 구성 요소(lower-bound components)로부터 단일 벡터 표현(single-vector representations)을 구축하여, Dynamic Time Warping (DTW), Hausdorff distance, 그리고 Discrete Fréchet Distance (DFD)를 포함한 여러 고전적 궤적 거리에 대해 허용 가능하고(admissible) 해석 가능한 하한(lower bounds)을 제공합니다. 이 프레임워크 내에서, 우리는 메트릭(metric) 및 비메트릭(non-metric) 거리를 모두 자연스럽게 지원하며 표준 벡터 기반 검색 파이프라인과 호환되는 포인트-피벗(point-pivot) 구성 요소를 구현합니다. 순위 품질(ranking quality)을 향상시키기 위해, 우리는 각각 하한의 타이트함(tightness)을 명시적으로 최적화하고 어려운 근접 이웃(hard near-neighbor) 궤적 쌍을 우선시하는 두 가지 데이터 기반 피벗 선택 전략을 개발했습니다. 실제 궤적 데이터셋에 대한 광범위한 실험 결과, 제안된 하한 표현이 다양한 거리 측정 방식에서 최첨단(state-of-the-art) 신경망 궤적 임베딩을 일관되게 능가하며, Hausdorff distance와 DFD에서는 top-$k$ 순위 정확도를 최대 20%--60%, DTW에서는 15%--40%까지 향상시킴을 보여주었습니다.