A mineração de dados de trajetórias se tornou um importante tópico de pesquisa nos últimos anos em função do grande volume de dados de movimento coletados das mais diversas fontes e formatos. em especial, temos a classificação, que visa a identificação da classe que produziu uma determinada trajetória. os trabalhos deste escopo são focados na extração dos melhores atributos para descrever as classes, ou das subtrajetórias relevantes que sejam capazes de caracterizar as trajetórias em uma classe. inicialmente as trajetórias eram representadas pela posição de um objeto em movimento no espaço ao longo do tempo, as chamadas trajetórias brutas, e os trabalhos em classificação de trajetórias brutas extraíam características numéricas baseadas em fórmulas matemáticas que utilizavam a informação espaço-temporal. contudo, com o barateamento e disseminação dos sensores e das redes sociais presentes nos dispositivos móveis, as trajetórias puderam ser enriquecidas com mais dados, produzindo as chamadas trajetórias múltiaspecto. a classificação deste novo tipo de dado de trajetória ainda está nos primórdios, e alguns trabalhos da literatura utilizam técnicas de mineração de texto para extrair as características da dimensão semântica das trajetórias, enquanto outros trabalhos se baseiam na extração das subtrajetórias relevantes. as técnicas movelets e mastermovelets são baseadas na extração das subtrajetórias relevantes, as movelets, e têm superado os outros trabalhos da literatura tanto em classificação de trajetórias brutas quanto multiaspecto. a capacidade destas técnicas de lidar com múltiplas e diferentes subtrajetórias e suas dimensões as torna inviáveis para grandes conjuntos de dados, uma vez que exploram e avaliam exaustivamente todas as subtrajetórias possíveis. neste trabalho, são propostos os métodos master-pivots e super-pivots, que são estratégias para reduzir a geração de subtrajetórias para ambas as técnicas movelets e mastermovelets, a fim de acelerar seus processos, mantendo a acurácia da classificação. o master-pivots é um método não supervisionado que limita o tamanho e o local a partir do qual as movelets são extraídas. ele baseia-se na identificação dos pontos pivô, que são os melhores movelets de tamanho um, e na limitação da extracção dos movelets apenas a partir dos pontos pivô e dos seus pontos vizinhos que são diretamente alcançáveis. o super-pivots é uma estratégia supervisionada que consiste em identificar os super-pivots, que são as subtrajetórias e seu número de dimensões que ocorreram mais frequentemente nas trajetórias de uma determinada classe, e em extrair as movelets apenas dos super-pivots. ambos os métodos foram avaliados através de uma série de experimentos, onde apresentamos uma extensa avaliação e comparação experimental que reúne nove técnicas do estado da arte e seis conjuntos de dados conhecidos e disponíveis ao público. os master-pivots e super-pivots foram avaliados considerando o número de subtrajetórias geradas, sua escalabilidade e a acurácia em classificação, onde o primeiro reduziu o tempo de processamento com relação ao mastermovelets em mais de 70% em todos os conjuntos de dados, enquanto o segundo reduziu em pelo menos 80% em qualquer conjunto de dados. todos os códigos e resultados utilizados neste trabalho são fornecidos como um benchmark, com o objetivo de facilitar a análise e comparação das técnicas de classificação de trajetórias.