高性能時空計算及應用

目錄
第1章 高性能時空計算現(xiàn)狀及趨勢 1
1.1 背景 1
1.2 時空大數(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 3
1.3.2 典型的高性能計算模型及框架 5
1.4 時空大數(shù)據(jù)并行處理與分析進展 7
1.4.1 時空大數(shù)據(jù)存儲與管理 7
1.4.2 時空大數(shù)據(jù)并行分析 10
1.4.3 時空大數(shù)據(jù)挖掘 12
1.5 當前研究發(fā)展趨勢 14
參考文獻 14
第2章 并行計算基礎 18
2.1 并行計算概述 18
2.1.1 并行計算基本概念 18
2.1.2 并行計算環(huán)境分類 19
2.2 并行程序設計方法 22
2.2.1 并行計算實現(xiàn)模式 22
2.2.2 并行算法設計過程 23
2.3 并行程序性能評價 28
2.3.1 加速比及效率 28
2.3.2 阿姆達爾定律 28
2.4 并行程序設計案例 29
參考文獻 31
第3章 多核計算支持的時空分析算法設計 32
3.1 多核計算概述 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 實驗結果 44
3.5 應用2：大規(guī)模點云的并行不規(guī)則三角網(wǎng)構建 45
3.5.1 Delaunay三角網(wǎng) 45
3.5.2 基于分治和并行流水線計算的并行Delaunay三角網(wǎng)構建 47
3.5.3 實驗結果 50
參考文獻 51
第4章 基于集群的時空分析算法設計 52
4.1 集群計算概述 52
4.2 集群的體系結構 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簡介 54
4.3.2 消息通信模式 57
4.4 應用1：基于MPI的k-均值聚類算法 60
4.4.1 k-均值聚類（k-means）算法簡介 60
4.4.2 基于MPI的k-means聚類 60
4.4.3 實驗結果及分析 63
4.5 應用2：基于MPI的克里金插值 65
4.5.1 克里金插值簡介 65
4.5.2 基于MPI的分布式克里金插值 66
4.5.3 實驗結果及分析 68
參考文獻 70
第5章 基于GPGPU的時空分析算法設計 72
5.1 眾核計算概述 72
5.2 GPU技術發(fā)展 73
5.2.1 GPU體系架構變遷 73
5.2.2 現(xiàn)代GPU體系架構 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 85
5.4 應用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)提取實驗 89
5.4.3 實驗結果及分析 91
5.5 應用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 實驗結果及分析 94
參考文獻 95
第6章 時空大數(shù)據(jù)分布式存儲與管理 97
6.1 云計算概述 97
6.1.1 云計算的定義 97
6.1.2 云計算的特征 98
6.1.3 主流云計算平臺及產(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簡介 102
6.3 分布式NoSQL數(shù)據(jù)庫 103
6.3.1 分布式NoSQL數(shù)據(jù)庫概述 103
6.3.2 文檔數(shù)據(jù)庫MongoDB 107
6.3.3 列族數(shù)據(jù)庫HBase 110
6.4 時空數(shù)據(jù)組織與管理關鍵技術 113
6.4.1 時空數(shù)據(jù)存儲模式的發(fā)展 113
6.4.2 時空索引和編碼技術 114
6.5 應用1：基于HBase的時空軌跡數(shù)據(jù)存儲與管理 118
6.5.1 時空軌跡數(shù)據(jù)存儲管理方法概述 118
6.5.2 系統(tǒng)實現(xiàn)及關鍵技術 119
6.5.3 實驗結果及分析 122
6.6 應用2：基于MongoDB的海量地圖瓦片服務 125
6.6.1 地圖瓦片服務 125
6.6.2 系統(tǒng)實現(xiàn)及關鍵技術 126
6.6.3 實驗結果及分析 128
參考文獻 132
第7章 時空大數(shù)據(jù)可視化 134
7.1 時空大數(shù)據(jù)可視化概述 1347.1.1 時空大數(shù)據(jù)可視化特征 134
7.1.2 時空大數(shù)據(jù)可視化流程 135
7.1.3 時空大數(shù)據(jù)可視化發(fā)展概況 135
7.2 LOD技術 137
7.2.1 LOD概述 137
7.2.2 LOD構建方法 138
7.3 分布式內(nèi)存計算框架 139
7.3.1 Spark簡介 139
7.3.2 Spark內(nèi)存數(shù)據(jù)抽象 141
7.3.3 Spark計算模式 141
7.4 應用1：海量LiDAR點云數(shù)據(jù)可視化系統(tǒng) 143
7.4.1 點云數(shù)據(jù)可視化 143
7.4.2 系統(tǒng)實現(xiàn)及關鍵技術 144
7.4.3 實驗結果及分析 147
7.5 應用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)實現(xiàn)及關鍵技術 151
7.5.3 實驗結果及分析 157
參考文獻 160
第8章 分布式地理時空過程模擬 162
8.1 地理過程模擬概述 162
8.1.1 地理系統(tǒng)與地理過程 162
8.1.2 地理過程模擬 163
8.2 地理過程模擬模型 164
8.2.1 地理元胞自動機 164
8.2.2 多智能體模型 165
8.3 地理過程分布式模擬 167
8.3.1 并行CA模擬 167
8.3.2 并行ABM模擬 168
8.4 應用1：實時信息支持下大規(guī)模微觀交通過程模擬 169
8.4.1 微觀交通過程模擬 169
8.4.2 大規(guī)模微觀交通過程分布式模擬 170
8.4.3 實驗結果及分析 173
8.5 應用2：基于元胞自動機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 實驗結果及分析 179
參考文獻 181
第9章 高性能計算支持的深度學習與時空計算 185
9.1 高性能計算與人工智能 185
9.2 深度學習概述 188
9.2.1 卷積神經(jīng)網(wǎng)絡 189
9.2.2 圖卷積神經(jīng)網(wǎng)絡 191
9.2.3 循環(huán)神經(jīng)網(wǎng)絡 194
9.3 深度學習框架與分布式學習 195
9.3.1 典型深度學習框架 195
9.3.2 分布式學習 197
9.4 應用1：基于分布式學習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)絡的高分辨率遙感影像道路提取 202
9.4.3 實驗結果及分析 203
9.5 應用2：基于路網(wǎng)劃分的大規(guī)模交通過程并行預測 209
9.5.1 交通預測模型 209
9.5.2 基于路網(wǎng)劃分的大規(guī)模交通并行預測 210
9.5.3 實驗結果及分析 213
參考文獻 216