基于Halpern迭代以及邻近Peaceman-Rachford分裂算子的思想，我们构建了一种适用于大规模线性规划(LP)问题的一阶加速方法—Halpern Peaceman-Rachford（HPR）方法，且能够达到LP应用问题的所期望的高精度标准。凭借以矩阵向量乘法为核心的运算和松弛技术所带来的大步长优势，我们所提出的算法可以更快地求解规模更大的LP问题。我们首次证明了HPR方法在Karush-Kuhn-Tucker残差和目标误差方面具有O(1/k)的迭代复杂度。基于这一复杂度结果，我们设计一整套重启与调参的自适应更新策略，以此提升HPR方法的求解效率和鲁棒性。在不同的停机精度下，我们运用NVIDIA A100-SXM4-80GB GPU对各类LP基准数据集进行了大量的数值实验。相较于近期荣获国际奖项的PDLP求解器（Google），在精度达到时，HPR-LP求解器（Julia版）对于经过预处理的问题能达到SGM10意义下2.39倍至5.70倍的加速（对于未预处理的问题能够达到2.03倍至4.06倍的加速）。