我对使用数据库知之甚少，但 kd 树似乎是一种很好的方法。看看下面的链接

http://web.stanford.edu/class/cs106l/handouts/assignment-3-kdtree.pdf

如果您的数据被索引，我不确定第 3 方算法的执行速度是否比 mongoDB 中已经包含的算法快得多。根据你的链接，

在 2.2.3 版更改: 应用程序可以在没有地理空间索引的情况下使用 $box。但是，地理空间索引支持比未索引的等价物更快的查询。在 2.2.3 之前，地理空间索引必须存在于保存坐标的字段上，然后才能使用任何地理空间查询运算符。

但是，如果我要从头开始执行此操作，我会将大地测量数据转换为笛卡尔坐标（例如使用Haversine），然后将它们分类为平衡的kd-tree。Kd-trees 索引k维点，并使用分而治之的方法相对于根节点（通常是数据集的平均值或中值）对它们进行排序，这使得它们特别适用于最近邻和范围搜索算法。范围搜索将在时间内找到点，这应该足够快。当然，在进行搜索之前，您必须将目标查询转换为笛卡尔坐标。但是，我怀疑 mongoDB 实现了具有相同性能水平的搜索算法，假设您的数据已编入索引。$O(log\,n)$

首先转换为笛卡尔坐标很重要，因为大多数 kd-tree 搜索依赖 -norm 作为确定点之间距离的度量标准，这对于地理空间坐标是不正确的。此外，对 kd-tree 的分割平面使用 lat/long 也可能会导致困难，因为经度彼此之间的距离不是等距的（即，经度之间的距离是纬度的函数，这可能使其成为分割 kd- 的糟糕选择树）。$L_2$

Kd-trees 实际上只对批量加载情况有效，在这种情况下，您可以提前了解数据集，并且可以一次性对它们进行排序。可以向 kd-tree 添加新点，但这并不理想。如果您希望您的数据集经常更改，我建议您使用 R-tree。