Los sistemas de computación cada vez más rápidos para simulaciones y técnicas de medición de alta precisión impulsan la generación de conjuntos de datos volumétricos dependientes del tiempo con alta resolución tanto en el tiempo como en el espacio. Para obtener información de estos datos espaciotemporales, el cálculo y la visualización directa de distancias por pares entre pasos de tiempo no solo apoyan la exploración interactiva del usuario, sino que también impulsan técnicas de análisis automático como la generación de una visualización estática significativa, la identificación de eventos raros o el análisis visual de procesos recurrentes. Sin embargo, el cálculo de diferencias por pares entre todos los pasos de tiempo es prohibitivamente costoso para datos a gran escala, no solo debido al costo significativo de calcular distancias expresivas entre datos espaciales de alta resolución, sino en particular debido al gran número de cálculos de distancia (O(|T|^2), siendo |T| el número de pasos de tiempo). Abordando este problema, presentamos y evaluamos diferentes estrategias para el cálculo progresivo de información de similitud en una serie temporal, así como un enfoque para estimar información de distancia que no se ha determinado hasta ahora. En particular, investigamos y analizamos la utilidad de utilizar redes neuronales para estimar distancias por pares. Sobre esta base, nuestro enfoque determina automáticamente la estrategia de muestreo que produce el mejor resultado en combinación con redes entrenadas para la estimación. Evaluamos nuestro enfoque con una variedad de datos 2D y 3D dependientes del tiempo de simulaciones y mediciones, así como datos generados artificialmente, y lo comparamos con una técnica alternativa. Finalmente, discutimos perspectivas y limitaciones, y abordamos diferentes direcciones para mejorar en trabajos futuros.