高性能時(shí)空計(jì)算及應(yīng)用

目錄
第1章 高性能時(shí)空計(jì)算現(xiàn)狀及趨勢(shì) 1
1.1 背景 1
1.2 時(shí)空大數(shù)據(jù) 1
1.3 高性能軟硬件發(fā)展概況 3
1.3.1 硬件架構(gòu) 3
1.3.2 典型的高性能計(jì)算模型及框架 5
1.4 時(shí)空大數(shù)據(jù)并行處理與分析進(jìn)展 7
1.4.1 時(shí)空大數(shù)據(jù)存儲(chǔ)與管理 7
1.4.2 時(shí)空大數(shù)據(jù)并行分析 10
1.4.3 時(shí)空大數(shù)據(jù)挖掘 12
1.5 當(dāng)前研究發(fā)展趨勢(shì) 14
參考文獻(xiàn) 14
第2章 并行計(jì)算基礎(chǔ) 18
2.1 并行計(jì)算概述 18
2.1.1 并行計(jì)算基本概念 18
2.1.2 并行計(jì)算環(huán)境分類 19
2.2 并行程序設(shè)計(jì)方法 22
2.2.1 并行計(jì)算實(shí)現(xiàn)模式 22
2.2.2 并行算法設(shè)計(jì)過(guò)程 23
2.3 并行程序性能評(píng)價(jià) 28
2.3.1 加速比及效率 28
2.3.2 阿姆達(dá)爾定律 28
2.4 并行程序設(shè)計(jì)案例 29
參考文獻(xiàn) 31
第3章 多核計(jì)算支持的時(shí)空分析算法設(shè)計(jì) 32
3.1 多核計(jì)算概述 32
3.2 多核CPU發(fā)展 32
3.3 多線程開發(fā)模型 34
3.3.1 PThreads 35
3.3.2 OpenMP 37
3.3.3 Intel TBB 39
3.4 應(yīng)用1：基于并行流水線的IDW空間插值 40
3.4.1 空間插值 40
3.4.2 基于并行流水線的IDW插值 42
3.4.3 實(shí)驗(yàn)結(jié)果 44
3.5 應(yīng)用2：大規(guī)模點(diǎn)云的并行不規(guī)則三角網(wǎng)構(gòu)建 45
3.5.1 Delaunay三角網(wǎng) 45
3.5.2 基于分治和并行流水線計(jì)算的并行Delaunay三角網(wǎng)構(gòu)建 47
3.5.3 實(shí)驗(yàn)結(jié)果 50
參考文獻(xiàn) 51
第4章 基于集群的時(shí)空分析算法設(shè)計(jì) 52
4.1 集群計(jì)算概述 52
4.2 集群的體系結(jié)構(gòu) 52
4.2.1 集群的分類 53
4.2.2 集群開發(fā)模型 53
4.3 MPI并行編程 54
4.3.1 MPI簡(jiǎn)介 54
4.3.2 消息通信模式 57
4.4 應(yīng)用1：基于MPI的k-均值聚類算法 60
4.4.1 k-均值聚類（k-means）算法簡(jiǎn)介 60
4.4.2 基于MPI的k-means聚類 60
4.4.3 實(shí)驗(yàn)結(jié)果及分析 63
4.5 應(yīng)用2：基于MPI的克里金插值 65
4.5.1 克里金插值簡(jiǎn)介 65
4.5.2 基于MPI的分布式克里金插值 66
4.5.3 實(shí)驗(yàn)結(jié)果及分析 68
參考文獻(xiàn) 70
第5章 基于GPGPU的時(shí)空分析算法設(shè)計(jì) 72
5.1 眾核計(jì)算概述 72
5.2 GPU技術(shù)發(fā)展 73
5.2.1 GPU體系架構(gòu)變遷 73
5.2.2 現(xiàn)代GPU體系架構(gòu) 74
5.2.3 GPGPU開發(fā)模型 78
5.3 CUDA模型 79
5.3.1 CUDA編程模型 79
5.3.2 CUDA加速庫(kù) 85
5.4 應(yīng)用1：基于CUDA的河網(wǎng)提取 87
5.4.1 河網(wǎng)提取算法 87
5.4.2 基于CUDA的河網(wǎng)提取實(shí)驗(yàn) 89
5.4.3 實(shí)驗(yàn)結(jié)果及分析 91
5.5 應(yīng)用2：基于CUDA的Bellman-Ford最短路徑搜索 92
5.5.1 Bellman-Ford最短路徑算法 92
5.5.2 基于CUDA的Bellman-Ford最短路徑搜索 93
5.5.3 實(shí)驗(yàn)結(jié)果及分析 94
參考文獻(xiàn) 95
第6章 時(shí)空大數(shù)據(jù)分布式存儲(chǔ)與管理 97
6.1 云計(jì)算概述 97
6.1.1 云計(jì)算的定義 97
6.1.2 云計(jì)算的特征 98
6.1.3 主流云計(jì)算平臺(tái)及產(chǎn)品 99
6.2 分布式文件系統(tǒng) 100
6.2.1 分布式文件系統(tǒng)概述 100
6.2.2 典型分布式文件系統(tǒng) 101
6.2.3 HDFS簡(jiǎn)介 102
6.3 分布式NoSQL數(shù)據(jù)庫(kù) 103
6.3.1 分布式NoSQL數(shù)據(jù)庫(kù)概述 103
6.3.2 文檔數(shù)據(jù)庫(kù)MongoDB 107
6.3.3 列族數(shù)據(jù)庫(kù)HBase 110
6.4 時(shí)空數(shù)據(jù)組織與管理關(guān)鍵技術(shù) 113
6.4.1 時(shí)空數(shù)據(jù)存儲(chǔ)模式的發(fā)展 113
6.4.2 時(shí)空索引和編碼技術(shù) 114
6.5 應(yīng)用1：基于HBase的時(shí)空軌跡數(shù)據(jù)存儲(chǔ)與管理 118
6.5.1 時(shí)空軌跡數(shù)據(jù)存儲(chǔ)管理方法概述 118
6.5.2 系統(tǒng)實(shí)現(xiàn)及關(guān)鍵技術(shù) 119
6.5.3 實(shí)驗(yàn)結(jié)果及分析 122
6.6 應(yīng)用2：基于MongoDB的海量地圖瓦片服務(wù) 125
6.6.1 地圖瓦片服務(wù) 125
6.6.2 系統(tǒng)實(shí)現(xiàn)及關(guān)鍵技術(shù) 126
6.6.3 實(shí)驗(yàn)結(jié)果及分析 128
參考文獻(xiàn) 132
第7章 時(shí)空大數(shù)據(jù)可視化 134
7.1 時(shí)空大數(shù)據(jù)可視化概述 1347.1.1 時(shí)空大數(shù)據(jù)可視化特征 134
7.1.2 時(shí)空大數(shù)據(jù)可視化流程 135
7.1.3 時(shí)空大數(shù)據(jù)可視化發(fā)展概況 135
7.2 LOD技術(shù) 137
7.2.1 LOD概述 137
7.2.2 LOD構(gòu)建方法 138
7.3 分布式內(nèi)存計(jì)算框架 139
7.3.1 Spark簡(jiǎn)介 139
7.3.2 Spark內(nèi)存數(shù)據(jù)抽象 141
7.3.3 Spark計(jì)算模式 141
7.4 應(yīng)用1：海量LiDAR點(diǎn)云數(shù)據(jù)可視化系統(tǒng) 143
7.4.1 點(diǎn)云數(shù)據(jù)可視化 143
7.4.2 系統(tǒng)實(shí)現(xiàn)及關(guān)鍵技術(shù) 144
7.4.3 實(shí)驗(yàn)結(jié)果及分析 147
7.5 應(yīng)用2：海量POI數(shù)據(jù)可視化系統(tǒng) 150
7.5.1 POI數(shù)據(jù)可視化背景 150
7.5.2 系統(tǒng)實(shí)現(xiàn)及關(guān)鍵技術(shù) 151
7.5.3 實(shí)驗(yàn)結(jié)果及分析 157
參考文獻(xiàn) 160
第8章 分布式地理時(shí)空過(guò)程模擬 162
8.1 地理過(guò)程模擬概述 162
8.1.1 地理系統(tǒng)與地理過(guò)程 162
8.1.2 地理過(guò)程模擬 163
8.2 地理過(guò)程模擬模型 164
8.2.1 地理元胞自動(dòng)機(jī) 164
8.2.2 多智能體模型 165
8.3 地理過(guò)程分布式模擬 167
8.3.1 并行CA模擬 167
8.3.2 并行ABM模擬 168
8.4 應(yīng)用1：實(shí)時(shí)信息支持下大規(guī)模微觀交通過(guò)程模擬 169
8.4.1 微觀交通過(guò)程模擬 169
8.4.2 大規(guī)模微觀交通過(guò)程分布式模擬 170
8.4.3 實(shí)驗(yàn)結(jié)果及分析 173
8.5 應(yīng)用2：基于元胞自動(dòng)機(jī)的分布式林火蔓延模擬 176
8.5.1 林火蔓延模型 176
8.5.2 分布式林火蔓延模擬 177
8.5.3 實(shí)驗(yàn)結(jié)果及分析 179
參考文獻(xiàn) 181
第9章 高性能計(jì)算支持的深度學(xué)習(xí)與時(shí)空計(jì)算 185
9.1 高性能計(jì)算與人工智能 185
9.2 深度學(xué)習(xí)概述 188
9.2.1 卷積神經(jīng)網(wǎng)絡(luò) 189
9.2.2 圖卷積神經(jīng)網(wǎng)絡(luò) 191
9.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 194
9.3 深度學(xué)習(xí)框架與分布式學(xué)習(xí) 195
9.3.1 典型深度學(xué)習(xí)框架 195
9.3.2 分布式學(xué)習(xí) 197
9.4 應(yīng)用1：基于分布式學(xué)習(xí)的遙感影像道路提取 201
9.4.1 基于遙感影像的道路提取模型 201
9.4.2 基于全卷積網(wǎng)絡(luò)的高分辨率遙感影像道路提取 202
9.4.3 實(shí)驗(yàn)結(jié)果及分析 203
9.5 應(yīng)用2：基于路網(wǎng)劃分的大規(guī)模交通過(guò)程并行預(yù)測(cè) 209
9.5.1 交通預(yù)測(cè)模型 209
9.5.2 基于路網(wǎng)劃分的大規(guī)模交通并行預(yù)測(cè) 210
9.5.3 實(shí)驗(yàn)結(jié)果及分析 213
參考文獻(xiàn) 216