高性能时空计算及应用

目录

第1章 高性能时空计算现状及趋势 1

1.1 背景 1

1.2 时空大数据 1

1.3 高性能软硬件发展概况 3

1.3.1 硬件架构 3

1.3.2 典型的高性能计算模型及框架 5

1.4 时空大数据并行处理与分析进展 7

1.4.1 时空大数据存储与管理 7

1.4.2 时空大数据并行分析 10

1.4.3 时空大数据挖掘 12

1.5 当前研究发展趋势 14

参考文献 14

第2章 并行计算基础 18

2.1 并行计算概述 18

2.1.1 并行计算基本概念 18

2.1.2 并行计算环境分类 19

2.2 并行程序设计方法 22

2.2.1 并行计算实现模式 22

2.2.2 并行算法设计过程 23

2.3 并行程序性能评价 28

2.3.1 加速比及效率 28

2.3.2 阿姆达尔定律 28

2.4 并行程序设计案例 29

参考文献 31

第3章 多核计算支持的时空分析算法设计 32

3.1 多核计算概述 32

3.2 多核CPU发展 32

3.3 多线程开发模型 34

3.3.1 PThreads 35

3.3.2 OpenMP 37

3.3.3 Intel TBB 39

3.4 应用1：基于并行流水线的IDW空间插值 40

3.4.1 空间插值 40

3.4.2 基于并行流水线的IDW插值 42

3.4.3 实验结果 44

3.5 应用2：大规模点云的并行不规则三角网构建 45

3.5.1 Delaunay三角网 45

3.5.2 基于分治和并行流水线计算的并行Delaunay三角网构建 47

3.5.3 实验结果 50

参考文献 51

第4章 基于集群的时空分析算法设计 52

4.1 集群计算概述 52

4.2 集群的体系结构 52

4.2.1 集群的分类 53

4.2.2 集群开发模型 53

4.3 MPI并行编程 54

4.3.1 MPI简介 54

4.3.2 消息通信模式 57

4.4 应用1：基于MPI的k-均值聚类算法 60

4.4.1 k-均值聚类（k-means）算法简介 60

4.4.2 基于MPI的k-means聚类 60

4.4.3 实验结果及分析 63

4.5 应用2：基于MPI的克里金插值 65

4.5.1 克里金插值简介 65

4.5.2 基于MPI的分布式克里金插值 66

4.5.3 实验结果及分析 68

参考文献 70

第5章 基于GPGPU的时空分析算法设计 72

5.1 众核计算概述 72

5.2 GPU技术发展 73

5.2.1 GPU体系架构变迁 73

5.2.2 现代GPU体系架构 74

5.2.3 GPGPU开发模型 78

5.3 CUDA模型 79

5.3.1 CUDA编程模型 79

5.3.2 CUDA加速库 85

5.4 应用1：基于CUDA的河网提取 87

5.4.1 河网提取算法 87

5.4.2 基于CUDA的河网提取实验 89

5.4.3 实验结果及分析 91

5.5 应用2：基于CUDA的Bellman-Ford*短路径搜索 92

5.5.1 Bellman-Ford*短路径算法 92

5.5.2 基于CUDA的Bellman-Ford*短路径搜索 93

5.5.3 实验结果及分析 94

参考文献 95

第6章 时空大数据分布式存储与管理 97

6.1 云计算概述 97

6.1.1 云计算的定义 97

6.1.2 云计算的特征 98

6.1.3 主流云计算平台及产品 99

6.2 分布式文件系统 100

6.2.1 分布式文件系统概述 100

6.2.2 典型分布式文件系统 101

6.2.3 HDFS简介 102

6.3 分布式NoSQL数据库 103

6.3.1 分布式NoSQL数据库概述 103

6.3.2 文档数据库MongoDB 107

6.3.3 列族数据库HBase 110

6.4 时空数据组织与管理关键技术 113

6.4.1 时空数据存储模式的发展 113

6.4.2 时空索引和编码技术 114

6.5 应用1：基于HBase的时空轨迹数据存储与管理 118

6.5.1 时空轨迹数据存储管理方法概述 118

6.5.2 系统实现及关键技术 119

6.5.3 实验结果及分析 122

6.6 应用2：基于MongoDB的海量地图瓦片服务 125

6.6.1 地图瓦片服务 125

6.6.2 系统实现及关键技术 126

6.6.3 实验结果及分析 128

参考文献 132

第7章 时空大数据可视化 134

7.1 时空大数据可视化概述 1347.1.1 时空大数据可视化特征 134

7.1.2 时空大数据可视化流程 135

7.1.3 时空大数据可视化发展概况 135

7.2 LOD技术 137

7.2.1 LOD概述 137

7.2.2 LOD构建方法 138

7.3 分布式内存计算框架 139

7.3.1 Spark简介 139

7.3.2 Spark内存数据抽象 141

7.3.3 Spark计算模式 141

7.4 应用1：海量LiDAR点云数据可视化系统 143

7.4.1 点云数据可视化 143

7.4.2 系统实现及关键技术 144

7.4.3 实验结果及分析 147

7.5 应用2：海量POI数据可视化系统 150

7.5.1 POI数据可视化背景 150

7.5.2 系统实现及关键技术 151

7.5.3 实验结果及分析 157

参考文献 160

第8章 分布式地理时空过程模拟 162

8.1 地理过程模拟概述 162

8.1.1 地理系统与地理过程 162

8.1.2 地理过程模拟 163

8.2 地理过程模拟模型 164

8.2.1 地理元胞自动机 164

8.2.2 多智能体模型 165

8.3 地理过程分布式模拟 167

8.3.1 并行CA模拟 167

8.3.2 并行ABM模拟 168

8.4 应用1：实时信息支持下大规模微观交通过程模拟 169

8.4.1 微观交通过程模拟 169

8.4.2 大规模微观交通过程分布式模拟 170

8.4.3 实验结果及分析 173

8.5 应用2：基于元胞自动机的分布式林火蔓延模拟 176

8.5.1 林火蔓延模型 176

8.5.2 分布式林火蔓延模拟 177

8.5.3 实验结果及分析 179

参考文献 181

第9章 高性能计算支持的深度学习与时空计算 185

9.1 高性能计算与人工智能 185

9.2 深度学习概述 188

9.2.1 卷积神经网络 189

9.2.2 图卷积神经网络 191

9.2.3 循环神经网络 194

9.3 深度学习框架与分布式学习 195

9.3.1 典型深度学习框架 195

9.3.2 分布式学习 197

9.4 应用1：基于分布式学习的遥感影像道路提取 201

9.4.1 基于遥感影像的道路提取模型 201

9.4.2 基于全卷积网络的高分辨率遥感影像道路提取 202

9.4.3 实验结果及分析 203

9.5 应用2：基于路网划分的大规模交通过程并行预测 209

9.5.1 交通预测模型 209

9.5.2 基于路网划分的大规模交通并行预测 210

9.5.3 实验结果及分析 213

参考文献 216