• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    深度學(xué)習(xí)在城市交通流預(yù)測(cè)中的實(shí)踐研究

    2015-08-14 22:05:06尹邵龍趙亞楠
    現(xiàn)代電子技術(shù) 2015年15期
    關(guān)鍵詞:機(jī)器學(xué)習(xí)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)

    尹邵龍 趙亞楠

    摘 要: 短時(shí)交通流狀態(tài)預(yù)測(cè)對(duì)于實(shí)現(xiàn)城市智能交通系統(tǒng)至關(guān)重要。在過(guò)去,很多神經(jīng)網(wǎng)絡(luò)模型被提出來(lái)用以預(yù)測(cè)交通流,但是效果并不是很顯著。究其原因,是因?yàn)榇蠖鄶?shù)都是利用淺層模型在學(xué)習(xí),淺層模型由于容易陷入局部極值而且不能模擬更復(fù)雜的數(shù)學(xué)運(yùn)算,所以并不適合于模擬現(xiàn)實(shí)的交通狀況。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的新興學(xué)科,在語(yǔ)音與圖像處理方面取得了顯著的成效,它能夠非監(jiān)督地從數(shù)據(jù)中學(xué)習(xí)出有效的特征用以預(yù)測(cè),故在此利用深度學(xué)習(xí)進(jìn)行建模用以城市主干道交通流預(yù)測(cè)。實(shí)驗(yàn)表明,模型取得了不錯(cuò)的交通流預(yù)測(cè)效果。

    關(guān)鍵詞: 深度學(xué)習(xí); 交通流預(yù)測(cè); 神經(jīng)網(wǎng)絡(luò); 機(jī)器學(xué)習(xí)

    中圖分類號(hào): TN915.5?34; TP183 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2015)15?0158?05

    Practice and research on deep learning applied in urban traffic flow prediction

    YIN Shaolong, ZHAO Yanan

    (North China Institute of Computer Technology, Beijing 100086, China)

    Abstract: Short?term traffic flow state prediction plays an important role in realizing urban intelligent transportation system. Many neural network models have been proposed to predict traffic flow in the past, and the effects are unsatisfied. The reason for this is that most models learning uses shallow model. Since shallow model is liable to sink into local extremum and unable to simulate more complicated arithmetical operation, it is not suitable for simulating actual traffic condition. As a new branch of machine learning, deep learning has made great success in the field of voice and image processing. It can learn valid features for prediction from data sets in an unsupervised way. Deep learning is applied to prediction urban main road traffic flow by modeling. The experimental results show that this method has achieved better traffic flow prediction effect.

    Keywords: deep learning; traffic flow prediction; neural network; machine learning

    0 引 言

    隨著社會(huì)的快速發(fā)展和機(jī)動(dòng)車數(shù)量的急劇增加,城市交通日益趨向于擁堵,交通事故與空氣污染也進(jìn)一步加劇。在我國(guó),北京、上海這樣的大城市在中心市區(qū)的平均車速在高峰時(shí)期不足20 km/h,交通擁堵又進(jìn)一步導(dǎo)致了能耗加劇與環(huán)境污染。研究結(jié)果表明[1],當(dāng)車速由40 km/h降低至10 km/h時(shí),能量損耗量會(huì)增長(zhǎng)1倍,環(huán)境污染量會(huì)增加3倍以上。北京市汽車排放的氮氧化物、一氧化碳對(duì)環(huán)境分別占到46%和63%。所以,智能交通系統(tǒng)(Intelligent Transportation Systems,ITS)成為解決城市擁堵問(wèn)題的關(guān)鍵途徑。智能交通系統(tǒng)有效地利用當(dāng)前先進(jìn)的硬件和軟件,對(duì)交通進(jìn)行有效的綜合管理。短時(shí)交通流狀態(tài)預(yù)測(cè)(Short?term Traffic State Forecasting)作為智能交通系統(tǒng)的核心技術(shù),它利用現(xiàn)有數(shù)據(jù)對(duì)交通流狀況進(jìn)行預(yù)測(cè),進(jìn)而幫助出行者進(jìn)行路徑規(guī)劃,實(shí)現(xiàn)交通流誘導(dǎo),從而緩解了交通擁擠,減少了環(huán)境污染。人們針對(duì)交通流預(yù)測(cè),提出過(guò)不同的預(yù)測(cè)模型;但是由于城市交通流時(shí)間與空間上的復(fù)雜性,給預(yù)測(cè)結(jié)果的準(zhǔn)確率帶來(lái)了挑戰(zhàn)。

    深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的新興學(xué)科,一經(jīng)提出便受到了廣泛的關(guān)注,像Google、微軟、百度,都在研究與利用深度學(xué)習(xí)。它被成功地應(yīng)用到了分類任務(wù)、自然語(yǔ)言處理、降維、圖像識(shí)別等等方面。深度學(xué)習(xí)通過(guò)利用多層體系架構(gòu)來(lái)有效地、非監(jiān)督地提取出底層數(shù)據(jù)的潛在的典型特征,進(jìn)而提供給高層進(jìn)行分類與回歸。交通流本身就是一個(gè)復(fù)雜的過(guò)程,深度學(xué)習(xí)架構(gòu)能夠幫助我們無(wú)先驗(yàn)知識(shí)卻能有效地學(xué)習(xí)與抓住其中內(nèi)在的復(fù)雜特征,進(jìn)而有效地進(jìn)行交通流預(yù)測(cè)。

    本文提出了一個(gè)基于深度學(xué)習(xí)的交通流預(yù)測(cè)模型,通過(guò)訓(xùn)練并加以實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果表明,這種方法在交通流預(yù)測(cè)當(dāng)中取得了不錯(cuò)的準(zhǔn)確率。

    1 背景介紹

    1.1 交通流預(yù)測(cè)

    交通流預(yù)測(cè)一直都被認(rèn)為是實(shí)現(xiàn)城市智能交通系統(tǒng)(ITS)的關(guān)鍵技術(shù)問(wèn)題。它利用以往歷史數(shù)據(jù)對(duì)未來(lái)某段時(shí)間內(nèi)交通流量進(jìn)行預(yù)測(cè)。預(yù)測(cè)時(shí)段一般為5~30 min。

    令[Xti]表示第[i]個(gè)交通道路在第[t]時(shí)間的交通流量,那么給定一個(gè)觀察得到的交通流序列,[i=1,2,…,m;][t=1,2,…,T,]那么交通流預(yù)測(cè)即是根據(jù)這以往的交通流序列對(duì)于某條道路[{T+Δt}]時(shí)間段進(jìn)行預(yù)測(cè)。其中[Δt]可以進(jìn)行調(diào)節(jié)。

    交通流預(yù)測(cè)模型一般包括兩步,即特征學(xué)習(xí)與模型學(xué)習(xí)。特征學(xué)習(xí)即非監(jiān)督學(xué)習(xí),通過(guò)訓(xùn)練可以得到代表以往歷史交通時(shí)間序列的一個(gè)特征代表模型[h。]經(jīng)過(guò)特征訓(xùn)練后,以往的交通流序列[X]即可通過(guò)[h]轉(zhuǎn)化為另外的一個(gè)特征空間[Y,]即[h(x)→Y;]模型學(xué)習(xí)即監(jiān)督式學(xué)習(xí),給定一組特征[Y]與目標(biāo)任務(wù)[Z]的配對(duì)組[{(Y1,Z1),][(Y2,Z2),…,(Yn, Zn)}]學(xué)習(xí)預(yù)測(cè)模型[Zn+1=g(Y),]通過(guò)最小化目標(biāo)損耗函數(shù)[L,]得到預(yù)測(cè)模型的適合的參數(shù)[W:]

    [L(Z;W)=Z-g(Y)2] (1)

    盡管預(yù)測(cè)模型之間互有差別,但是目標(biāo)損耗函數(shù)大多數(shù)都是一樣的。以往的預(yù)測(cè)模型可以分為三類[2]:

    (1) 基于以往歷史數(shù)據(jù)的時(shí)間序列法。自回歸整合滑動(dòng)平均模型[3](ARIMA)就是通過(guò)找到交通流隨時(shí)間變化的模式,從而實(shí)現(xiàn)預(yù)測(cè)。相似的還有子集ARIMA[4],表達(dá)變量ARIMA(ARIMAX)[5],向量自回歸移動(dòng)平均(ARMA)和基于時(shí)間與空間的ARIMA[6],還有季節(jié)性的ARIMA(SARIMA)[7],卡爾曼濾波方法[8]等。

    (2) 基于概率圖模型的方法。通過(guò)概率圖的方法對(duì)交通流進(jìn)行建模與預(yù)測(cè),常見的方法有:貝葉斯網(wǎng)絡(luò)[9],馬爾可夫鏈,馬爾可夫隨機(jī)場(chǎng)(MRFs),模糊邏輯[10]等。

    (3) 非參數(shù)統(tǒng)計(jì)方法。由于這種方法能夠很有效地模擬交通流不確定、復(fù)雜性和非線性等特點(diǎn),所以它比其他方法取得的效果更好。例如神經(jīng)網(wǎng)絡(luò)(NNs),支持向量回歸(SVR),局部加權(quán)學(xué)習(xí)(LWL),k?NN[11]方法,支持向量機(jī)(SVR)[12],隨機(jī)微分方程[13]等。

    總體說(shuō)來(lái),隨著智能交通的發(fā)展,很多預(yù)測(cè)模型都被提出來(lái)了。但是,很難說(shuō)某個(gè)具體的方法在所有交通流領(lǐng)域強(qiáng)于另外一個(gè)方法。因?yàn)檫@些方法大多數(shù)都是基于某些特定的數(shù)據(jù)進(jìn)行建模的,并且預(yù)測(cè)結(jié)果也依賴于采集數(shù)據(jù)的準(zhǔn)確性。然而神經(jīng)網(wǎng)絡(luò)(NN)由于能夠有效利用歷史數(shù)據(jù)與數(shù)據(jù)之間的關(guān)系,所以能夠獲得更好的健壯性與預(yù)測(cè)結(jié)果??墒乾F(xiàn)有的神經(jīng)網(wǎng)絡(luò)大多數(shù)都是基于淺層體系架構(gòu),當(dāng)建立多層架構(gòu)時(shí),基于梯度下降的方法就不能有效地進(jìn)行參數(shù)調(diào)節(jié)。深度學(xué)習(xí)作為一種新興的神經(jīng)網(wǎng)絡(luò),它解決了傳統(tǒng)NN的訓(xùn)練問(wèn)題,獲得了比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更好的實(shí)驗(yàn)效果。所以利用深度信念網(wǎng)絡(luò)(DBN)可以對(duì)交通流模型進(jìn)行預(yù)測(cè)與改進(jìn)。

    1.2 深度信念網(wǎng)絡(luò)

    深度信念網(wǎng)絡(luò)(DBN)作為深度學(xué)習(xí)模型中最常見的一種模型,它是通過(guò)一系列的RBM堆積而成。每一層的RBM都只有一個(gè)隱藏層,每一層的輸出作為下一層的輸入。Hinton等人提出了一種可以快速的每次逐層訓(xùn)練DBN的方法[14],即每次訓(xùn)練一層。

    RBM即限制玻爾茲曼機(jī),它是馬爾可夫隨機(jī)場(chǎng)(MRFs)的一個(gè)特例。若一個(gè)二分圖,每層節(jié)點(diǎn)互相之間沒有連接,一層是可視層(visible),另外一層是隱藏層(hidden),且假設(shè)所有節(jié)點(diǎn)都是隨機(jī)的、二值分布的,二層之間通過(guò)對(duì)稱矩陣進(jìn)行連接,并且概率分布滿足玻爾茲曼分布,那么這就是RBM??梢晫訉?duì)應(yīng)于輸入,因?yàn)樗鼈兊臓顟B(tài)已經(jīng)被觀察得到;隱藏層對(duì)應(yīng)于特征探測(cè),它們的聯(lián)合組態(tài)能量方程[(v,h)]為:

    [E(v,h)=-i∈vnbivi-j∈hnajhj-i,jnvihjwij] (2)

    式中:[vi]和[hj]是輸入[i]和特征[j;][bi]和[aj]分別是他們的偏移量;[wij]為它們之間的權(quán)重矩陣。因?yàn)殡[藏層之間是相互條件獨(dú)立的,即:

    [P(hv)=jP(hj|v)] (3)

    那么當(dāng)[v]或者[h]給定時(shí),便可以計(jì)算出它們的條件概率分布:

    [P(hj=1v)=11+exp(-i=1nwijvi-aj)P(vi=1h)=11+exp(-j=1nwijhi-bi)] (4)

    那么當(dāng)給定一組訓(xùn)練集[{Vcc∈{1,2,…,C}}]時(shí),其目標(biāo)就是最大化這個(gè)模型的對(duì)數(shù)似然函數(shù):

    [c=1Clog p(Vc)=c=1Clogge-E(Vc,g)uge-E(U,g)] (5)

    一般都是通過(guò)梯度下降法求得參數(shù)[wij,][bi]和[aj,]但這里可以用吉布斯采樣法近似求得,即可視層[V]根據(jù)指定的規(guī)則采樣出隱藏層[H,]然后再反過(guò)來(lái)采樣出可視層[V,]這個(gè)過(guò)程可以重復(fù)很多次。經(jīng)過(guò)多次的迭代,模型會(huì)忘記它的初始起點(diǎn),這樣就可以從它們的平衡分布中進(jìn)行采樣。最終,函數(shù)期望利用對(duì)比分歧(CD)方法在有限次內(nèi)便可以得到近似值。把[N+1]次采樣的算法標(biāo)記為CD?[N。]實(shí)踐中,一般用CD?1就可以得到合適的值。那么就可以得到權(quán)值[wij]的更新規(guī)則:

    [Δwij=εω(Edatavihj-Emodvihj)] (6)

    式中:[εω]為學(xué)習(xí)速率;[Edata]是根據(jù)初始模型分布當(dāng)可視層輸入的時(shí)候,隱藏層的期望輸出;[Emod]是通過(guò)CD算法估計(jì)出來(lái)的期望輸出。同理,[bi]和[aj]的更新規(guī)則與[wij]相類似。

    [Δbi=εb(Edatavi-Emodvi)]

    [Δbj=εb(Edatahj-Emodhj)] (7)

    1.3 高斯?伯努利GBRBM

    在普通的限制玻爾茲曼機(jī)(RBM)中,可視層的輸入限制為0或1,這樣對(duì)于模擬現(xiàn)實(shí)中像交通流這樣的連續(xù)值是很不方便的。于是,可以通過(guò)高斯?伯努利GBRBM[15]來(lái)模擬真實(shí)數(shù)據(jù)。它通過(guò)加入高斯噪音的連續(xù)值來(lái)模擬真實(shí)的數(shù)據(jù),進(jìn)而替代了普通RBM的二進(jìn)制的可視層輸入,其能量函數(shù)改為:

    [E(v,h)=i=1V(vi-bvi)22σ2i-j=1Hahjhj-i=1Vj=1Hviσihjwij] (8)

    式中:[vi]表示可視層第[i]個(gè)真實(shí)值;[σ]是高斯函數(shù)的標(biāo)準(zhǔn)方差。通過(guò)方程就能讓可視層表達(dá)獲得某個(gè)特定連續(xù)值的優(yōu)先權(quán),根據(jù)能量方程[16],得到它們的條件概率分布為:

    [p(vih)=N(bi+σij=1nhjwij,σ2i)p(hjv)=sigm(i=1nviwij+aj)] (9)

    它的訓(xùn)練調(diào)參過(guò)程與普通的RBM沒什么區(qū)別,都可以利用CD過(guò)程對(duì)參數(shù)進(jìn)行調(diào)節(jié)。

    2 體系架構(gòu)

    在此,建立了深度架構(gòu),底層是由GBRBM與RBM組成的DBN的架構(gòu),用于非監(jiān)督的特征學(xué)習(xí);頂層加入了一個(gè)回歸層用作預(yù)測(cè),當(dāng)然頂層也可以替換為支持向量機(jī)(SVM)。建立的模型如圖1所示。

    圖1 單條道路預(yù)測(cè)的深度體系架構(gòu)

    在DBN預(yù)訓(xùn)練以后,頂層再通過(guò)有標(biāo)簽的數(shù)據(jù)進(jìn)行BP算法去做參數(shù)調(diào)整。這種方法要強(qiáng)于以往傳統(tǒng)神經(jīng)網(wǎng)絡(luò)直接用BP算法做梯度下降調(diào)整,直觀的原因?yàn)椋篋BN預(yù)訓(xùn)練后的參數(shù)已經(jīng)接近于訓(xùn)練好,那么再做BP算法,只需要在已知參數(shù)里面進(jìn)行一個(gè)局部的搜索,無(wú)論訓(xùn)練與收斂速度都快很多。此模型的訓(xùn)練步驟如下:

    (1) 把交通流數(shù)據(jù)進(jìn)行歸一化到[0,1]之間,那么輸入向量[X]便可以表示為:

    [X={xtit∈T,i∈N}]

    式中:[Xti]表示為第[i]條道路在第[t]時(shí)間的歸一化后的數(shù)據(jù)。初始化訓(xùn)練次數(shù)、學(xué)習(xí)速率。

    (2) 把向量[X]作為輸入,通過(guò)CD過(guò)程訓(xùn)練第一層的GBRBM。

    (3) 把GBRBM的輸出作為上層的RBM的輸入,訓(xùn)練RBM。

    (4) 把RBM的輸出作為上層的RBM的輸入,訓(xùn)練RBM。

    (5) 重復(fù)執(zhí)行第(4)步直到執(zhí)行完給定的層數(shù)。

    (6) 最后一個(gè)RBM的輸出作為頂層回歸層的輸入,隨機(jī)初始化其參數(shù)。

    (7) 通過(guò)監(jiān)督式BP方法微調(diào)這個(gè)架構(gòu)的參數(shù)。

    最后通過(guò)訓(xùn)練得出的模型就可以作為預(yù)測(cè)模型,當(dāng)給定一組輸入向量后,便得到對(duì)應(yīng)道路的預(yù)測(cè)輸出。

    3 實(shí)驗(yàn)及結(jié)果分析

    3.1 實(shí)驗(yàn)數(shù)據(jù)描述

    實(shí)驗(yàn)使用的交通流數(shù)據(jù)來(lái)源于英國(guó)官方交通流數(shù)據(jù)中心。數(shù)據(jù)集提供了每隔15 min的交通平均路途消耗時(shí)間、速度與交通流量,并且數(shù)據(jù)覆蓋了英格蘭地區(qū)的高速公路與A級(jí)道路(即城市主干道)。實(shí)驗(yàn)選取了英格蘭的紐卡斯?fàn)柺信c森德蘭市之間的5條主要城市道路AL1065,AL1596,AL566,AL543,LM69。選取其中2014年9月份的數(shù)據(jù),共有30天數(shù)據(jù)。其中前29天的數(shù)據(jù)用以訓(xùn)練模型,后1天的數(shù)據(jù)用以測(cè)試。

    3.2 性能指標(biāo)

    兩個(gè)最常見的性能指標(biāo)參數(shù)為:絕對(duì)平均誤差(MAE)和相對(duì)平均誤差(MRE),定義如下:

    [MAE=1ni=1nZi-ZiMRE=1ni=1nZi-ZiZi] (10)

    式中:[Zi]為實(shí)際的交通流數(shù)值;[Zi]為預(yù)測(cè)值。在這里選擇了MAE與MRE作為衡量標(biāo)準(zhǔn)。

    3.3 架構(gòu)實(shí)現(xiàn)

    在深度體系架構(gòu)中,需要決定其輸入層的大小,隱藏層的層數(shù),隱藏層每一層的節(jié)點(diǎn)個(gè)數(shù)。在此選擇AL1065,AL1596,AL566,AL543,LM69中前兩個(gè)時(shí)間段的交通流量作為輸入,即共10個(gè)輸入,道路LM69作為其預(yù)測(cè)輸出。其中隱藏層分別為淺層的結(jié)構(gòu){10,10,4}與深層的結(jié)構(gòu){10,12,10,8,6,4},通過(guò)訓(xùn)練以后對(duì)道路LM69第30天做預(yù)測(cè)的結(jié)果如圖2所示。

    圖2 單條道路不同深度預(yù)測(cè)的結(jié)果

    圖2中橫坐標(biāo)表示的為第[i]個(gè)15 min,縱坐標(biāo)表示交通流量。從圖可以看出深層結(jié)構(gòu)預(yù)測(cè)的結(jié)果更加接近于真實(shí)值。

    3.4 結(jié)果對(duì)比與分析

    實(shí)驗(yàn)程序在Windows 7上開發(fā)完成,硬件條件為 Intel? CoreTM i7?4710MQ,4 GB內(nèi)存,顯卡NVIDIA Geforce 840 MHz。每次運(yùn)算時(shí)間基本在30 min以上,大多數(shù)1 h內(nèi)能完成。

    實(shí)驗(yàn)中對(duì)DBN的BP過(guò)程調(diào)優(yōu)次數(shù)epochs做了調(diào)整測(cè)試,結(jié)果發(fā)現(xiàn)大于某個(gè)數(shù)量時(shí),DBN預(yù)測(cè)結(jié)果對(duì)于次數(shù)調(diào)整并沒有大的影響。這也印證了DBN在預(yù)訓(xùn)練階段參數(shù)的調(diào)整已經(jīng)近乎較優(yōu)的判斷。

    為了衡量深度架構(gòu)的性能,同時(shí)也采用傳統(tǒng)的MLP神經(jīng)網(wǎng)絡(luò)做了BP算法訓(xùn)練進(jìn)行預(yù)測(cè),并做了對(duì)比;結(jié)果發(fā)現(xiàn),當(dāng)訓(xùn)練層數(shù)增加時(shí),BP算法的預(yù)測(cè)結(jié)果準(zhǔn)確性反而降低了。這也說(shuō)明傳統(tǒng)的BP算法并不適應(yīng)于深度架構(gòu)。實(shí)驗(yàn)中MLP采用的是{4,4,5}淺層架構(gòu)。

    從圖3可以看出,DBN架構(gòu)相對(duì)于傳統(tǒng)的MLP神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō),無(wú)論在交通流的最高峰時(shí)期還是最低交通流量時(shí),所預(yù)測(cè)得到的結(jié)果都更加準(zhǔn)確。

    MLP與DBN的性能指標(biāo)對(duì)比如表1所示。

    表1 性能指標(biāo)對(duì)比

    [\&MAE\&MRE\&DBN shallow\&14.83\&0.281\&DBN deep\&14.80\&0.279\&MLP \&20.93\&0.752\&]

    圖3 DBN與MLP對(duì)比的結(jié)果

    從以上數(shù)據(jù)可以看出,深度學(xué)習(xí)架構(gòu)隨著層次越深相對(duì)平均誤差也越少,并且相對(duì)于傳統(tǒng)的MLP網(wǎng)絡(luò)有大幅度的預(yù)測(cè)準(zhǔn)確性提升。

    4 總 結(jié)

    本文第一次將深度學(xué)習(xí)架構(gòu)應(yīng)用于城市主干道的交通流預(yù)測(cè)中。相對(duì)于城市的高速公路,城市主干道交通具有更大的不確定性與多變性。進(jìn)而給預(yù)測(cè)帶來(lái)的挑戰(zhàn)也更大。同時(shí),模型也成功地通過(guò)深度學(xué)習(xí)發(fā)現(xiàn)了交通道路之間潛在的特征,如時(shí)間、空間上等的非線性關(guān)系。

    在此首先建立了深度體系架構(gòu),通過(guò)逐層非監(jiān)督式的預(yù)訓(xùn)練挖掘潛在特征,并利用回歸層實(shí)現(xiàn)全局微調(diào)參數(shù),進(jìn)一步優(yōu)化了預(yù)測(cè)結(jié)果。然后,對(duì)比了DBN與MLP,實(shí)驗(yàn)表明,DBN所獲得的準(zhǔn)確率要大大強(qiáng)于MLP模型。

    本文提出的模型仍可以進(jìn)一步改善,如頂層換為SVM等其他預(yù)測(cè)模型,模型的應(yīng)用場(chǎng)景可以推廣到整個(gè)城市的交通流預(yù)測(cè)等。

    參考文獻(xiàn)

    [1] 邵春福,熊志華,姚智勝.道路網(wǎng)短時(shí)交通需求預(yù)測(cè)理論、方法與應(yīng)用[M].北京:清華大學(xué)出版社,2011.

    [2] HUANG Wenhao, SONG Guojie, XIE Kunqing. Deep architecture for traffic flow prediction: deep belief networks with multitask learning [J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(5): 2191?2201.

    [3] AHMED S A, COOK A R. Analysis of freeway traffic time?series data by using Box?Jenkins techniques [J]. Transportation Research Record, 1979, 722: 214?221.

    [4] LEE S, FAMBRO D B. Application of subset autoregressive integrated moving average model for short?term freeway traffic volume forecasting [J]. Transportation Research Record, 1999,1678: 179?188.

    [5] WILLIAMS B M. Multivariate vehicular traffic flow prediction?evaluation of ARIMAX modeling [J]. Transportation Research Record, 2001, 1776: 194?200.

    [6] KAMARIANAKIS Y, PRASTACOS P. Forecasting traffic flow conditions in an urban network?comparison of multivariate and univariate approaches [J]. Transportation Research Record, 2003, 1857: 74?84.

    [7] WILLIAMS B M, HOEL L A. Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process: Theoretical basis and empirical results [J]. Journal of Transportation Engineering, 2003, 129(6): 664?672.

    [8] YANG F, YIN Z Z, LIU H, et al. Online recursive algorithm for short?term traffic prediction [J]. Transportation Research Record, 2004, 1879: 1?5.

    [9] SUN Shiliang, ZHANG Changshui, YU Guoqiang. A Bayesian network approach to traffic flow forecasting [J]. IEEE Transactions on Intelligent Transportation Systems, 2006, 7(1): 124?132.

    [10] ZARGARI S A, SIABIL S Z, ALAVI A H, et al. A computational intelligence?based approach for short?term traffic flow prediction [J]. Expert Systems, 2012, 29(2): 124?132.

    [11] DAVIS G A, NIHAN N L. Nonparametric regression and short?term freeway traffic forecasting [J]. Journal of Transportation Engineering, 1991, 117(2): 178?188.

    [12] JEONG Y S, BYON Y J, MENDONCA C N, EASA S M. Supervised weighting?online learning algorithm for short?term traffic flow prediction [J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(4): 1700?1707.

    [13] TAHMASBI R, HASHEMI S M. Modeling and forecasting the urban volume using stochastic differential equations [J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(1): 250?259.

    [14] HINTON G E, OSINDERO S, THE Y W. A fast learning algorithm for deep belief nets [J]. Neural Computation, 2006, 18(7): 1527?1554.

    [15] SALAKHUTDINOV R, HINTON G. Using deep belief nets to learn covariance kernels for Gaussian processes [J]. Advances in Neural Information Processing Systems, 2008, 20(1): 1249?1256.

    [16] HINTON G E, SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks [J]. Science, 2006, 313(5786): 504?507.

    猜你喜歡
    機(jī)器學(xué)習(xí)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)
    神經(jīng)網(wǎng)絡(luò)抑制無(wú)線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
    基于機(jī)器學(xué)習(xí)的圖像特征提取技術(shù)在圖像版權(quán)保護(hù)中的應(yīng)用
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    基于網(wǎng)絡(luò)搜索數(shù)據(jù)的平遙旅游客流量預(yù)測(cè)分析
    前綴字母為特征在維吾爾語(yǔ)文本情感分類中的研究
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于支持向量機(jī)的金融數(shù)據(jù)分析研究
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    18美女黄网站色大片免费观看| 色综合婷婷激情| 亚洲av片天天在线观看| 精品一区二区三区视频在线观看免费| 国产精品久久久av美女十八| 久久久久久国产a免费观看| 亚洲aⅴ乱码一区二区在线播放 | 国产精品影院久久| 黄色女人牲交| 成在线人永久免费视频| 女警被强在线播放| 99热这里只有精品一区 | 精品久久久久久久久久免费视频| 久久精品国产综合久久久| 精品少妇一区二区三区视频日本电影| 精品国产美女av久久久久小说| 亚洲七黄色美女视频| 在线观看日韩欧美| 国产高清videossex| 成人高潮视频无遮挡免费网站| 国产亚洲av高清不卡| 国产亚洲精品第一综合不卡| 亚洲18禁久久av| 国产亚洲精品久久久久5区| 男女视频在线观看网站免费 | 亚洲av成人一区二区三| 夜夜看夜夜爽夜夜摸| 国产野战对白在线观看| 99在线人妻在线中文字幕| 男女之事视频高清在线观看| 桃色一区二区三区在线观看| 人人妻,人人澡人人爽秒播| 国产一区二区在线观看日韩 | 中文字幕高清在线视频| 动漫黄色视频在线观看| 黄色女人牲交| 性色av乱码一区二区三区2| 亚洲色图 男人天堂 中文字幕| 性欧美人与动物交配| 欧美3d第一页| 可以在线观看毛片的网站| 国内精品一区二区在线观看| 亚洲精品一区av在线观看| 国产成年人精品一区二区| 亚洲性夜色夜夜综合| 香蕉国产在线看| 人妻久久中文字幕网| 国产99久久九九免费精品| 亚洲色图av天堂| 女人高潮潮喷娇喘18禁视频| 亚洲无线在线观看| 制服诱惑二区| 亚洲精品av麻豆狂野| 国产成人av激情在线播放| 亚洲av成人一区二区三| 成人三级黄色视频| 亚洲九九香蕉| 欧美色视频一区免费| 成人三级做爰电影| 亚洲专区国产一区二区| 日韩成人在线观看一区二区三区| 国产av不卡久久| 免费搜索国产男女视频| 国产区一区二久久| 99国产精品99久久久久| 亚洲欧美精品综合一区二区三区| 无遮挡黄片免费观看| 国产三级黄色录像| 99riav亚洲国产免费| 中出人妻视频一区二区| 国产午夜精品论理片| 国产一区二区三区视频了| 中文字幕人成人乱码亚洲影| 日本a在线网址| 久99久视频精品免费| 正在播放国产对白刺激| 久热爱精品视频在线9| 亚洲真实伦在线观看| 欧美在线黄色| 香蕉av资源在线| 久久久水蜜桃国产精品网| 亚洲av日韩精品久久久久久密| 俺也久久电影网| 亚洲一区高清亚洲精品| 窝窝影院91人妻| 精品国产亚洲在线| 亚洲美女视频黄频| 一级片免费观看大全| 久久久国产成人精品二区| 日日摸夜夜添夜夜添小说| 国产精品亚洲一级av第二区| 亚洲片人在线观看| 欧美在线一区亚洲| 校园春色视频在线观看| 国产午夜精品论理片| 午夜两性在线视频| 亚洲av成人不卡在线观看播放网| 亚洲精品粉嫩美女一区| 一级作爱视频免费观看| 91大片在线观看| 欧美性长视频在线观看| 国产亚洲精品第一综合不卡| 国产亚洲精品久久久久5区| 亚洲人与动物交配视频| 久久精品国产综合久久久| www.自偷自拍.com| 久久久久久大精品| 狂野欧美白嫩少妇大欣赏| 午夜精品一区二区三区免费看| 三级男女做爰猛烈吃奶摸视频| 午夜福利欧美成人| 免费看美女性在线毛片视频| 麻豆成人午夜福利视频| 天堂av国产一区二区熟女人妻 | av欧美777| 日本精品一区二区三区蜜桃| 欧美黑人巨大hd| 亚洲第一欧美日韩一区二区三区| 欧美绝顶高潮抽搐喷水| 欧美日本亚洲视频在线播放| 中亚洲国语对白在线视频| 国产v大片淫在线免费观看| 9191精品国产免费久久| 久久国产乱子伦精品免费另类| 午夜福利免费观看在线| 国产区一区二久久| 老司机深夜福利视频在线观看| 2021天堂中文幕一二区在线观| avwww免费| 亚洲av成人一区二区三| 99国产精品99久久久久| 一级黄色大片毛片| 国产男靠女视频免费网站| АⅤ资源中文在线天堂| 国产成人精品无人区| 免费在线观看亚洲国产| 亚洲人成网站高清观看| 搡老熟女国产l中国老女人| 欧美不卡视频在线免费观看 | 宅男免费午夜| 九九热线精品视视频播放| 亚洲18禁久久av| 亚洲九九香蕉| 亚洲色图 男人天堂 中文字幕| 欧美成人免费av一区二区三区| 国内久久婷婷六月综合欲色啪| 亚洲中文av在线| 国产精品自产拍在线观看55亚洲| a级毛片在线看网站| 亚洲人成电影免费在线| 久久草成人影院| xxx96com| 久久精品国产99精品国产亚洲性色| 看免费av毛片| 成年版毛片免费区| 成人av一区二区三区在线看| 亚洲 国产 在线| 国产91精品成人一区二区三区| 国产精品 国内视频| 别揉我奶头~嗯~啊~动态视频| 亚洲欧美精品综合久久99| 国产成人av激情在线播放| 曰老女人黄片| 老熟妇仑乱视频hdxx| 国产一区二区在线观看日韩 | 女人爽到高潮嗷嗷叫在线视频| 精品不卡国产一区二区三区| 成人三级黄色视频| 黄片小视频在线播放| 久久精品综合一区二区三区| 一个人观看的视频www高清免费观看 | 嫩草影视91久久| 午夜影院日韩av| 日本 av在线| 亚洲精品国产精品久久久不卡| 九九热线精品视视频播放| 久久中文字幕人妻熟女| 免费搜索国产男女视频| 免费在线观看黄色视频的| 国产人伦9x9x在线观看| 一级毛片女人18水好多| 免费一级毛片在线播放高清视频| 欧美日韩国产亚洲二区| www日本在线高清视频| 亚洲欧美精品综合一区二区三区| 999久久久精品免费观看国产| 婷婷精品国产亚洲av在线| www日本黄色视频网| 村上凉子中文字幕在线| 精华霜和精华液先用哪个| 亚洲,欧美精品.| 久久中文字幕一级| 亚洲av电影不卡..在线观看| 在线a可以看的网站| 久久这里只有精品中国| 亚洲人成伊人成综合网2020| 老司机在亚洲福利影院| 变态另类丝袜制服| 日本撒尿小便嘘嘘汇集6| 久久久久免费精品人妻一区二区| 在线视频色国产色| 老鸭窝网址在线观看| 午夜成年电影在线免费观看| 国产午夜福利久久久久久| 天堂动漫精品| 中文字幕精品亚洲无线码一区| 韩国av一区二区三区四区| 久久人人精品亚洲av| 日本a在线网址| 亚洲欧美精品综合久久99| 欧美不卡视频在线免费观看 | 舔av片在线| 狂野欧美白嫩少妇大欣赏| 韩国av一区二区三区四区| 亚洲国产精品999在线| 久久精品国产亚洲av高清一级| 日韩大尺度精品在线看网址| 亚洲欧美日韩无卡精品| 亚洲一码二码三码区别大吗| 成人18禁高潮啪啪吃奶动态图| 999久久久国产精品视频| 舔av片在线| 熟女少妇亚洲综合色aaa.| 国产黄片美女视频| 亚洲av美国av| 亚洲成a人片在线一区二区| 无限看片的www在线观看| 欧美在线黄色| 十八禁人妻一区二区| 看免费av毛片| 神马国产精品三级电影在线观看 | 午夜日韩欧美国产| 99re在线观看精品视频| 国产精华一区二区三区| 香蕉久久夜色| 国产免费av片在线观看野外av| 午夜福利视频1000在线观看| 一区二区三区国产精品乱码| 97人妻精品一区二区三区麻豆| cao死你这个sao货| 91大片在线观看| 久久精品人妻少妇| 国产高清有码在线观看视频 | 欧美乱码精品一区二区三区| 国产精品久久久人人做人人爽| 黄片大片在线免费观看| 日日夜夜操网爽| www.自偷自拍.com| 欧美日韩亚洲综合一区二区三区_| 人妻久久中文字幕网| 黑人巨大精品欧美一区二区mp4| 国产精品一区二区三区四区久久| 非洲黑人性xxxx精品又粗又长| 人人妻人人看人人澡| 国产野战对白在线观看| 69av精品久久久久久| 一本精品99久久精品77| 午夜影院日韩av| 一个人免费在线观看电影 | 黑人操中国人逼视频| 人人妻,人人澡人人爽秒播| 99国产精品一区二区蜜桃av| 正在播放国产对白刺激| av天堂在线播放| 99精品欧美一区二区三区四区| 欧美色视频一区免费| 国产1区2区3区精品| 午夜福利在线在线| 欧美成人性av电影在线观看| 日韩欧美国产在线观看| 动漫黄色视频在线观看| 国内毛片毛片毛片毛片毛片| 国产av一区在线观看免费| 久久久久久人人人人人| 黄频高清免费视频| 天堂影院成人在线观看| 波多野结衣高清无吗| 国产高清有码在线观看视频 | 久久久久久人人人人人| 香蕉丝袜av| 欧美中文日本在线观看视频| 日韩国内少妇激情av| 国产一区二区在线av高清观看| 日本三级黄在线观看| 日韩欧美 国产精品| а√天堂www在线а√下载| www.熟女人妻精品国产| 国产爱豆传媒在线观看 | 亚洲av中文字字幕乱码综合| 久久久国产欧美日韩av| 青草久久国产| 国产在线精品亚洲第一网站| 国产又色又爽无遮挡免费看| 国产亚洲av嫩草精品影院| 亚洲午夜理论影院| 男女下面进入的视频免费午夜| 午夜福利视频1000在线观看| 成人高潮视频无遮挡免费网站| 亚洲国产欧洲综合997久久,| 熟女少妇亚洲综合色aaa.| 亚洲成人久久性| 国产黄色小视频在线观看| 最新美女视频免费是黄的| 日韩精品青青久久久久久| 欧美黑人巨大hd| 男女那种视频在线观看| 成人三级黄色视频| 成人手机av| 国产亚洲精品综合一区在线观看 | 成人三级做爰电影| 日本黄大片高清| 一个人免费在线观看电影 | 久久亚洲真实| www日本在线高清视频| 国产精品自产拍在线观看55亚洲| 亚洲一区高清亚洲精品| 色在线成人网| 青草久久国产| 亚洲av五月六月丁香网| 久久久久久国产a免费观看| 精品日产1卡2卡| 两个人的视频大全免费| 啪啪无遮挡十八禁网站| 熟妇人妻久久中文字幕3abv| 亚洲中文av在线| 亚洲精品国产一区二区精华液| 999久久久精品免费观看国产| 久久人妻福利社区极品人妻图片| 欧美一级a爱片免费观看看 | 免费在线观看日本一区| 国产av不卡久久| 精品久久久久久久久久免费视频| 中文字幕人妻丝袜一区二区| 久久久精品大字幕| www.999成人在线观看| 最近最新中文字幕大全电影3| 婷婷六月久久综合丁香| 国产高清videossex| 国产又色又爽无遮挡免费看| 欧美日韩一级在线毛片| 女同久久另类99精品国产91| 免费观看人在逋| 久久热在线av| 中文字幕人成人乱码亚洲影| 99久久国产精品久久久| 又紧又爽又黄一区二区| 搡老妇女老女人老熟妇| 看片在线看免费视频| 久久婷婷人人爽人人干人人爱| 男插女下体视频免费在线播放| 香蕉久久夜色| 天堂√8在线中文| 特大巨黑吊av在线直播| 日本免费一区二区三区高清不卡| 18禁裸乳无遮挡免费网站照片| 亚洲中文日韩欧美视频| 国产成年人精品一区二区| 亚洲第一欧美日韩一区二区三区| 97碰自拍视频| 亚洲五月婷婷丁香| 白带黄色成豆腐渣| 免费观看人在逋| 中文字幕久久专区| 日韩欧美三级三区| 国内久久婷婷六月综合欲色啪| 午夜福利18| 一夜夜www| 欧美日韩亚洲国产一区二区在线观看| 最好的美女福利视频网| 国产精品美女特级片免费视频播放器 | 久久人妻av系列| 午夜福利欧美成人| 免费在线观看亚洲国产| 午夜免费成人在线视频| 99精品久久久久人妻精品| 黄色成人免费大全| 欧美成人性av电影在线观看| 久久热在线av| 变态另类丝袜制服| 一级毛片女人18水好多| 免费在线观看完整版高清| 国产69精品久久久久777片 | 国产伦在线观看视频一区| 亚洲欧美日韩无卡精品| 97超级碰碰碰精品色视频在线观看| 久热爱精品视频在线9| 男女之事视频高清在线观看| 色综合婷婷激情| 亚洲av成人av| 国产精品国产高清国产av| 久久精品影院6| 天堂影院成人在线观看| 亚洲精品美女久久久久99蜜臀| 精品一区二区三区av网在线观看| 在线永久观看黄色视频| 国产v大片淫在线免费观看| 黄色成人免费大全| 免费搜索国产男女视频| 757午夜福利合集在线观看| 日本精品一区二区三区蜜桃| 日本三级黄在线观看| 日韩成人在线观看一区二区三区| 99riav亚洲国产免费| 丁香六月欧美| 国产欧美日韩精品亚洲av| 欧美中文综合在线视频| 最好的美女福利视频网| 午夜激情福利司机影院| 欧美精品啪啪一区二区三区| 午夜福利免费观看在线| 脱女人内裤的视频| 久久天堂一区二区三区四区| 人妻久久中文字幕网| 无遮挡黄片免费观看| 热99re8久久精品国产| 无遮挡黄片免费观看| 国产精品美女特级片免费视频播放器 | 老司机午夜十八禁免费视频| 欧美三级亚洲精品| 在线观看午夜福利视频| 看黄色毛片网站| 免费电影在线观看免费观看| 黄色丝袜av网址大全| 国产一区二区在线观看日韩 | 国产亚洲欧美在线一区二区| 亚洲第一电影网av| 成人av一区二区三区在线看| 欧美一区二区国产精品久久精品 | 亚洲人成77777在线视频| 日本一二三区视频观看| 精品第一国产精品| 国产精品综合久久久久久久免费| 色综合站精品国产| 夜夜夜夜夜久久久久| 一本综合久久免费| 99久久精品热视频| 亚洲色图 男人天堂 中文字幕| 国产熟女xx| 国产精品影院久久| 欧美成人性av电影在线观看| 国产片内射在线| 国产午夜福利久久久久久| 欧美性猛交╳xxx乱大交人| 可以在线观看的亚洲视频| 中文字幕人妻丝袜一区二区| 好男人在线观看高清免费视频| 黑人操中国人逼视频| 亚洲真实伦在线观看| 久久九九热精品免费| 亚洲av成人一区二区三| 日韩欧美一区二区三区在线观看| 亚洲精品久久国产高清桃花| 精品国内亚洲2022精品成人| 久久人人精品亚洲av| 嫁个100分男人电影在线观看| 天堂影院成人在线观看| 欧美av亚洲av综合av国产av| a在线观看视频网站| 搡老熟女国产l中国老女人| 啦啦啦免费观看视频1| 99热6这里只有精品| 看片在线看免费视频| 精品不卡国产一区二区三区| 国产一区二区三区在线臀色熟女| 午夜福利成人在线免费观看| 伊人久久大香线蕉亚洲五| 青草久久国产| 久久精品国产综合久久久| 哪里可以看免费的av片| 夜夜夜夜夜久久久久| 成人国产一区最新在线观看| 久久九九热精品免费| 亚洲欧美精品综合一区二区三区| 制服丝袜大香蕉在线| 国产精品野战在线观看| 亚洲男人天堂网一区| 亚洲第一电影网av| av欧美777| 久久久久国产一级毛片高清牌| 久久这里只有精品中国| 窝窝影院91人妻| 午夜亚洲福利在线播放| 夜夜看夜夜爽夜夜摸| 18禁黄网站禁片午夜丰满| av国产免费在线观看| 观看免费一级毛片| 淫秽高清视频在线观看| 亚洲色图av天堂| 好男人在线观看高清免费视频| 2021天堂中文幕一二区在线观| 亚洲avbb在线观看| 中文字幕人妻丝袜一区二区| 亚洲一区二区三区不卡视频| a在线观看视频网站| www.自偷自拍.com| 午夜成年电影在线免费观看| 国产一区二区激情短视频| 亚洲最大成人中文| 亚洲色图 男人天堂 中文字幕| 男女午夜视频在线观看| 午夜久久久久精精品| 91成年电影在线观看| 亚洲午夜精品一区,二区,三区| 亚洲五月婷婷丁香| 午夜影院日韩av| 午夜久久久久精精品| 亚洲av电影在线进入| 成人国产综合亚洲| 麻豆国产av国片精品| 无遮挡黄片免费观看| 久久午夜综合久久蜜桃| 国产精品精品国产色婷婷| 又紧又爽又黄一区二区| 国内精品久久久久久久电影| 久久精品aⅴ一区二区三区四区| 人妻丰满熟妇av一区二区三区| 久久中文字幕一级| 一区二区三区激情视频| e午夜精品久久久久久久| 久久天堂一区二区三区四区| 91在线观看av| 18禁裸乳无遮挡免费网站照片| 亚洲全国av大片| 欧美另类亚洲清纯唯美| 日本精品一区二区三区蜜桃| 熟妇人妻久久中文字幕3abv| 午夜精品在线福利| 亚洲美女黄片视频| 精品日产1卡2卡| 国产高清激情床上av| 中文字幕久久专区| 大型av网站在线播放| 麻豆成人av在线观看| 国产亚洲av嫩草精品影院| 日韩欧美 国产精品| 欧美日韩亚洲国产一区二区在线观看| 国产精品久久久人人做人人爽| 久久午夜综合久久蜜桃| 欧美黑人欧美精品刺激| 日本一本二区三区精品| 五月玫瑰六月丁香| 99热这里只有精品一区 | 岛国在线免费视频观看| 欧美精品亚洲一区二区| 欧美黑人巨大hd| 日韩中文字幕欧美一区二区| 欧美人与性动交α欧美精品济南到| 日韩免费av在线播放| 午夜激情福利司机影院| 亚洲精品一区av在线观看| 久久草成人影院| 黄色女人牲交| 91九色精品人成在线观看| 黄片大片在线免费观看| 一级a爱片免费观看的视频| 精品国产乱子伦一区二区三区| 国产亚洲精品久久久久5区| 国产午夜福利久久久久久| 婷婷丁香在线五月| 琪琪午夜伦伦电影理论片6080| 亚洲专区国产一区二区| 成年免费大片在线观看| 香蕉av资源在线| 看免费av毛片| 亚洲狠狠婷婷综合久久图片| 99国产精品一区二区三区| 成人午夜高清在线视频| av免费在线观看网站| 毛片女人毛片| 人人妻,人人澡人人爽秒播| 最近最新中文字幕大全电影3| 国产亚洲精品综合一区在线观看 | 国产亚洲精品av在线| 在线观看午夜福利视频| 久久国产乱子伦精品免费另类| 亚洲天堂国产精品一区在线| 国内毛片毛片毛片毛片毛片| 老汉色∧v一级毛片| 亚洲精品国产一区二区精华液| 91成年电影在线观看| 亚洲熟女毛片儿| 性欧美人与动物交配| 天堂√8在线中文| 国产精品一区二区精品视频观看| 国内精品久久久久久久电影| 88av欧美| 成年版毛片免费区| 很黄的视频免费| 深夜精品福利| 又黄又爽又免费观看的视频| 1024手机看黄色片| 在线观看一区二区三区| 亚洲成av人片在线播放无| 午夜免费激情av| 美女午夜性视频免费| 99国产精品99久久久久| 黄片大片在线免费观看| 日韩 欧美 亚洲 中文字幕| 在线国产一区二区在线| 久久久久九九精品影院| 97人妻精品一区二区三区麻豆| 日日摸夜夜添夜夜添小说| 国产成人影院久久av| 精品人妻1区二区| 国产久久久一区二区三区| 亚洲精品美女久久av网站| 国产成人精品久久二区二区免费| 免费看美女性在线毛片视频| 国产精品1区2区在线观看.| 操出白浆在线播放| 国产精品久久久人人做人人爽| 国产免费男女视频| 日韩有码中文字幕| 黄片小视频在线播放| 久久精品国产综合久久久|