通过启用以下属性，使用基于成本的优化技术

set hive.cbo.enable=true;
set hive.stats.autogather=true;
set hive.stats.fetch.column.stats=true;
set hive.compute.query.using.stats=true;
set hive.vectorized.execution.enabled=true;
set hive.exec.parallel=true;

阿劳分析表格

ANALYZE TABLE temp_db.source_temp COMPUTE STATISTICS [comma_separated_column_list];
ANALYZE TABLE target_temp PARTITION(DATA_DT) COMPUTE STATISTICS;

首先，map/reduce模型不能保证您的查询花费更少的时间。其主要思想是，它的性能将随着节点数的增加而线性扩展，但是您仍然需要考虑如何操作，这比在普通sql中更重要。
首先要检查源表是否按时间分区。如果不是的话，它应该像你每次读整张table一样。第二，你每次都在计算最大值，同样，在整个destination表上。如果你只计算最后一个分区的最大值，你可以使它快很多，所以改变这个

JOIN (select max(load_ts) max_load_ts from target_temp) mt

对于这个（你没有写分区列，所以我假设它叫做'dt'

JOIN (select max(load_ts) max_load_ts from target_temp WHERE dt=PREVIOUS_DATA_DT) mt

因为我们知道最大负载在最后一个分区。
否则，如果不知道源表的结构，以及像其他人评论的那样，两个表的大小，就很难提供帮助。

join比where子句中的variable慢。但这里的主要性能问题是，您的查询对目标表和源表执行完全扫描。我建议：
仅查询最新分区的max（load\ts）。
启用统计信息收集和使用

set hive.compute.query.using.stats=true;
set hive.stats.fetch.column.stats=true;
set hive.stats.fetch.partition.stats=true;
set hive.stats.autogather=true;

计算两个表中列的统计信息。统计信息将使选择max（partition）或max（ts）之类的查询执行得更快
如果适用，请尝试将源分区文件放入目标分区文件夹，而不是插入（目标和源表分区和存储格式应启用此功能）。例如，对于textfile存储格式和源表分区仅包含rows>max（目标分区）时，它可以正常工作。您可以将copy files方法（对于那些完全包含要插入而不进行筛选的行的源分区）和insert方法（对于包含需要进行筛选的混合数据的分区）结合起来。
在插入过程中，配置单元可能正在合并文件。此合并阶段需要额外的时间并添加额外的阶段作业。选中hive.merge.mapredfiles选项并尝试将其关闭。
当然，使用预先计算的变量而不是join。