El rápido desarrollo de las redes vehiculares ha facilitado la adquisición extensa de datos de trayectoria de vehículos, que sirven como un pilar crucial para una variedad de aplicaciones de sistemas de transporte inteligente (ITS), como la gestión del flujo de tráfico y la optimización de la movilidad urbana. El cálculo de la similitud de trayectorias se ha convertido en una herramienta esencial para analizar y comprender los movimientos de los vehículos, lo que lo hace indispensable para estas aplicaciones. No obstante, la mayoría de los métodos existentes descuidan la dimensión temporal en el análisis de trayectorias, limitando su efectividad. Para abordar esta limitación, integramos la dimensión temporal en las evaluaciones de similitud de trayectorias y presentamos un nuevo marco de aprendizaje contrastivo, denominado Similitud de Trayectorias Espacio-Temporales con Aprendizaje Contrastivo, destinado a entrenar representaciones efectivas para la similitud de trayectorias espacio-temporales. El marco STT-CL introduce el concepto innovador de rejillas espacio-temporales y aprovecha dos técnicas avanzadas de incrustación de rejillas para capturar las características de grano grueso de los puntos de trayectoria espacio-temporales. Además, diseñamos un Codificador de Fusión Cruzada de Trayectorias Espacio-Temporales (STT-CFE) que integra sin problemas características de grano grueso y grano fino. Los experimentos en dos conjuntos de datos del mundo real a gran escala demuestran que STT-CL supera a los métodos existentes, subrayando su potencial en aplicaciones ITS impulsadas por trayectorias.