La necesidad de almacenar volúmenes masivos de datos espacio-temporales se ha convertido en una tarea difícil a medida que las capacidades de GPS y las tecnologías de comunicación inalámbrica se han vuelto predominantes en los dispositivos móviles modernos. Como resultado, se producen datos de trayectoria masivos, incurriendo en costos costosos para el almacenamiento, la transmisión, así como el procesamiento de consultas. Se han propuesto varios algoritmos para comprimir datos de trayectoria con el fin de superar estas dificultades. Estos algoritmos intentan reducir el tamaño de los datos de trayectoria, preservando al mismo tiempo la calidad de la información. En el contexto de este trabajo de investigación, nos enfocamos tanto en la preservación de la privacidad como en el problema de almacenamiento de bases de datos espacio-temporales. Para aliviar este problema, proponemos un marco eficiente para la representación de trayectorias, titulado DUST (DUal-based Spatio-temporal Trajectory), mediante el cual una trayectoria cruda se divide en varios subtrayectorias lineales que están sujetas a una transformación dual que formula los representantes de cada componente lineal de la trayectoria inicial; así, la trayectoria comprimida logra una relación de compresión igual a . Hasta donde sabemos, somos los primeros en estudiar y abordar las consultas -NN en trayectorias de objetos móviles no lineales que están representadas en un espacio dimensional dual. Además, se espera que el enfoque propuesto refuerce la protección de la privacidad de dichos datos. Específicamente, incluso en el caso de que un intruso tenga acceso a los puntos duales de los datos de trayectoria e intente reproducir los puntos nativos que se ajustan a un componente específico de la trayectoria inicial, la identidad del objeto móvil permanecerá segura con alta probabilidad. De esta manera, se refuerza la privacidad del método de -anonimato. A través de experimentos en conjuntos de datos espaciales reales, evaluamos la robustez del nuevo enfoque y lo comparamos con el estudiado en nuestro trabajo anterior.