正在阅读：提升地理空间分析效率，火山引擎ByteHouse上线GIS能力提升地理空间分析效率，火山引擎ByteHouse上线GIS能力

在数字化时代，地理空间分析（Geospatial Analytics）成为辅助企业市场策略洞察的重要手段。无论是广告投放的精准定位，还是电商物流的效率优化，都离不开对地理空间数据的查询、分析和可视化处理，以便助力企业更好决策。

一些传统的地理信息系统数据库具备丰富的地理空间对象结构、成熟的空间索引能力，在导航、旅游、智能城市等典型应用场景中被广泛使用。随着实时分析报表等OLAP市场的扩大，地理空间分析也作为新的增值特性被业界几大OLAP主流产品所推广。OLAP+GIS能力在满足用户地理空间数据分析的基础上，还能在数据体量大、实效性要求高的情况下，满足业务高性能查询的需求。

作为火山引擎推出的一款OLAP引擎，ByteHouse近期发布了高性能地理空间分析GIS能力，为位置洞察、人群圈选等场景提供高性能地理数据分析服务。

在功能层面，ByteHouse兼容OGC标准，支持导入标准GIS文件格式，目前已支持超过50个主流的空间函数。为了提供更极致的使用体验，ByteHouse还在探索自研优化器适配GIS特性，以及GPU硬件层面优化二维空间函数。

更值得一提的是，在关键性能上，ByteHouse GIS在列式小批组织的数据结构上引入RTree等二维空间索引能力，并在CPU硬件层面实现了二维空间函数的性能优化，整体提升了端到端性能。

在Benchmark测试中，通过选取两个关键 GIS 函数ST_DistanceSphere 和 ST_Within，使用 NYC Taxi 数据集（Size：21GB；条数：169,001,162），并选取3个不同大小的地理区域，研发人员将ByteHouse、StarRocks、 ClickHouse Community、PostGIS 、 DuckDB Spatial进行性能对比。测试结果显示，ByteHouse 在优化器、硬件等层面的优化，使其在测试函数的性能上显著超越其他产品。

据火山引擎ByteHouse技术专家介绍，“对比传统地理信息系统数据库，ByteHouse将OLAP和GIS结合起来，一方面具备OLAP的高效查询和计算的优势，另一方面，空间数据对象按照列的方式存储，不仅节省存储空间，更能充分发挥向量化的优势，特别是在空间函数层面，还能利用硬件并行化能力提速。”

目前，ByteHouse GIS 已经在POI洞察、作战地图、人群圈选、拓店选址等场景为相关需求方落地地理空间分析服务。以有配送需求的业务场景举例，在ByteHouse GIS能力支持下，运营人员可以在地图中圈选出特定多边形，观察多边形内部商家的供给和客流量，显示配送员的位置和配送状态，实现更有效地调度资源，提高配送效率。

在电商场景中，ByteHouse GIS能力不仅满足平台商家运营快速分析商家经营状态、管理商家的需求，还将数据读取量减少超过50%，进一步降低了磁盘IO以及计算带来的CPU开销。

不仅仅在GIS能力上具备极致性能，ByteHouse基于分布式架构设计，可以轻松地水平扩展，处理PB级别的数据，还完全兼容云原生技术栈，支持弹性资源调度，能够根据实际需求动态调整计算资源，并且具备自动化运维功能。未来，ByteHouse也会持续为用户提供卓越的数据处理和分析体验，助力企业实现数字化转型和智能化升级。