.png){kind=icon}
返回
GPU-Based Algorithms for Processing the k-CP Query on Spatial Data
.png){kind=icon}
OA
AI
DOI：10.3390/ijgi15100438.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模空间数据集处理算法在科学研究和工业应用中具有重要意义。此类算法的高效实现对于现代数据密集型系统至关重要，基于GPU的并行处理已成为加速空间查询的有效方法。其中，计算大型空间数据集间的k最近对（k-CP）是一个基础问题，应用于空间数据分析、地理信息系统和数据挖掘等领域。本文提出了一种精确的基于GPU的框架，用于处理二维和三维空间中的k-CP查询，包括能够处理超出GPU内存容量的数据集的变体。从基本的暴力CUDA实现出发，我们开发了内存感知的分区策略，并改进了基于DSPP的空间剪枝以减少全局k-CP问题中不必要的距离计算。此外，我们引入了多项性能优化，包括固定内存和并发内核执行，以重叠数据传输与计算并提高可扩展性。使用合成和真实数据集的实验评估表明，所提出的方法显著优于基线方法。特别是采用最大堆缓冲区的DSPP + PEA变体通常取得最佳整体性能，尤其对于大型数据集和较大的k值，凸显了其在大型空间查询处理中的有效性和可扩展性。
Keyword:
k Closest-Pairs
GPU
Big Data Sets
parallel programming
C++
期刊
I
IF:
2.8
论文数:
606
被引数:
0
机构
暂无机构信息
引用论文
Classification and prediction of social attributes By K-Nearest Neighbor Algorithm with Socially-aware wireless networking-A study基于社交感知无线网络和K近邻算法的社会属性分类与预测研究
PREAI
分享收藏GPU-Based Algorithms for Processing the k Nearest-Neighbor Query on Spatial Data Using Partitioning and Concurrent Kernel Execution基于GPU的算法：利用分区和并发核执行处理空间数据上的k近邻查询
PREAI
分享收藏Shi, X.; Xu, S.; Knight, K. Fast Locality Sensitive Hashing for Beam Search on GPU. arXiv 2018. [Google Scholar] [CrossRef] [Scilit]石 X.; 徐 S.; Knight K. GPU上用于束搜索的快速局部敏感哈希。arXiv 2018. [Google Scholar] [CrossRef] [Scilit].png)
IF0
PREAI
分享收藏Speeding up large-scale point-in-polygon test based spatial join on GPUsProceedings of the 1st ACM SIGSPATIAL International Workshop on Analytics for Big Geospatial Data
Proceedings of the 1st ACM SIGSPATIAL International Workshop on Analytics for Big Geospatial DataIF0
PREAI
分享收藏
查看更多内容