OD对相似度计算效率优化：200k数据两两对比过慢求解决方案

我需要计算两条路线（每条路线对应一组origin-destination，即OD对）的相似度。查阅资料后，未找到同时考虑方向与长度的标准相似度度量方法，因此自行设计了如下度量公式：

相似度计算公式：$sim = \frac{L_1 + L_2}{L_1 + L_2 + D_{O_1O_2} + D_{D_1D_2}}$
其中：

• $L_1$、$L_2$分别为两条OD对的路线长度（通过哈弗辛公式计算）
• $D_{O_1O_2}$为两个起点间的距离，$D_{D_1D_2}$为两个终点间的距离

对应实现代码如下：

def calculate_similarity(o1_lat, o1_long, d1_lat, d1_long, o2_lat, o2_long, d2_lat, d2_long):
    l1 = mpu.haversine_distance((o1_lat, o1_long), (d1_lat, d1_long))
    l2 = mpu.haversine_distance((o2_lat, o2_long), (d2_lat, d2_long))
    od = mpu.haversine_distance((o1_lat, o1_long), (o2_lat, o2_long))
    dd = mpu.haversine_distance((d1_lat, d1_long), (d2_lat, d2_long))

    sim = (l1+l2)/(l1+l2+od+dd)
    return sim

当前核心问题是算法效率过低：200k组OD对需两两对比，现有计算资源下耗时约45天，恳请提供可行的替代方案。

内容的提问来源于stack exchange，提问作者Muriel