.png){kind=icon}
返回
Accelerated Co-Movement Patterns Mining: A Heterogeneous Framework Based on GPU Clusters
.png){kind=icon}
PRE
AI
DOI：10.1016/j.future.2025.108302.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在现代城市公共交通系统中，数以万计的公交车在开放的公路网络上运行，服务于数百万居民并产生大量的GPS轨迹数据。有效挖掘这些数据对于提高安全性和效率至关重要。共移动模式挖掘是一种典型的计算密集型技术，常用于公交串车检测，但在基于CPU的系统中执行时，面临可扩展性和延迟挑战。为解决此问题，我们提出了一种基于GPU集群的加速共移动模式挖掘框架。它集成了PySpark的工作流管理与GPU的高性能计算能力，并采用流水线执行空间投影、混合索引、过滤-验证和内存管理。我们在一个包含三个节点（配备六块NVIDIA A40 GPU）的Spark集群上实现了该方法，并在包含12,788辆车、超过32.2亿条GPS记录（收集于31天）的大规模数据集上进行了评估。实验结果表明，与基于CPU的方法相比，我们的解决方案实现了最大15.69倍的加速。这些结果证明，我们的解决方案能够有效支持公交运输系统中的大规模GPS轨迹分析。
期刊
F
IF:
0
论文数:
642
被引数:
0
机构
引用论文
Bus bunching: a comprehensive review from demand, supply, and decision-making perspectives公交聚束: 从需求、供给和决策角度的综合评述.png)
TRANSPORT REVIEWS
OAAI
TRANSPORT REVIEWSIF9.9
OAAI分享收藏An Incremental Iterative Acceleration Architecture in Distributed Heterogeneous Environments With GPUs for Deep Learning面向深度学习的gpu分布式异构环境增量迭代加速架构
PREAI
分享收藏Streamlining trajectory map-matching: a framework leveraging spark and GPU-based stream processing简化轨迹地图匹配: 利用spark和基于GPU的流处理的框架
PREAI
分享收藏分享收藏
查看更多内容