• <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
    国产高清三级在线| 国产精品野战在线观看| 亚洲第一欧美日韩一区二区三区| 色av中文字幕| 99国产精品一区二区三区| 国产三级中文精品| 久久精品综合一区二区三区| 国产精品嫩草影院av在线观看 | 97人妻精品一区二区三区麻豆| 国产av不卡久久| 在线观看午夜福利视频| xxx96com| av在线蜜桃| 精品国产美女av久久久久小说| 两个人视频免费观看高清| 少妇人妻精品综合一区二区 | 亚洲成av人片在线播放无| 一进一出抽搐gif免费好疼| 国产高清激情床上av| 精品免费久久久久久久清纯| 熟女少妇亚洲综合色aaa.| 欧美乱色亚洲激情| 亚洲精品成人久久久久久| 18禁在线播放成人免费| 美女高潮的动态| 18+在线观看网站| 国产亚洲精品久久久久久毛片| av欧美777| 欧美成人性av电影在线观看| 亚洲国产中文字幕在线视频| 国产精品98久久久久久宅男小说| www.色视频.com| 丝袜美腿在线中文| 丰满人妻熟妇乱又伦精品不卡| 好看av亚洲va欧美ⅴa在| 国内少妇人妻偷人精品xxx网站| 久久中文看片网| 欧美成人一区二区免费高清观看| 精品99又大又爽又粗少妇毛片 | 午夜免费男女啪啪视频观看 | 亚洲av不卡在线观看| 国产成+人综合+亚洲专区| 国产一区二区三区视频了| 精品乱码久久久久久99久播| 久久天躁狠狠躁夜夜2o2o| av片东京热男人的天堂| 国产精品乱码一区二三区的特点| 人人妻人人澡欧美一区二区| 欧美激情在线99| 免费看日本二区| 国产亚洲精品综合一区在线观看| 亚洲欧美日韩无卡精品| 日本免费a在线| 夜夜夜夜夜久久久久| 怎么达到女性高潮| 又黄又粗又硬又大视频| 亚洲精品在线美女| 国产v大片淫在线免费观看| 色吧在线观看| 国产爱豆传媒在线观看| 一区二区三区激情视频| 麻豆成人av在线观看| 不卡一级毛片| 成人av一区二区三区在线看| 每晚都被弄得嗷嗷叫到高潮| 国内少妇人妻偷人精品xxx网站| 欧美又色又爽又黄视频| 国产成人系列免费观看| 国产精品香港三级国产av潘金莲| 精品国产三级普通话版| 亚洲国产欧美人成| 两人在一起打扑克的视频| netflix在线观看网站| 国产精品久久久久久亚洲av鲁大| 最近最新中文字幕大全免费视频| 精品日产1卡2卡| 欧美+日韩+精品| 国产午夜精品久久久久久一区二区三区 | 香蕉av资源在线| 18禁裸乳无遮挡免费网站照片| 精品人妻一区二区三区麻豆 | 啪啪无遮挡十八禁网站| 国产在线精品亚洲第一网站| 又粗又爽又猛毛片免费看| 色综合站精品国产| 女人被狂操c到高潮| 国产精品99久久久久久久久| 九九久久精品国产亚洲av麻豆| 亚洲五月天丁香| www.熟女人妻精品国产| 免费在线观看影片大全网站| 最近视频中文字幕2019在线8| 国产视频内射| 免费无遮挡裸体视频| 国产精品久久久人人做人人爽| 精品久久久久久久末码| 国产在线精品亚洲第一网站| 人人妻,人人澡人人爽秒播| 99国产综合亚洲精品| 欧美3d第一页| 欧美日韩综合久久久久久 | 精品国产超薄肉色丝袜足j| 亚洲熟妇中文字幕五十中出| x7x7x7水蜜桃| 国产精品一区二区三区四区免费观看 | 免费在线观看亚洲国产| 老司机在亚洲福利影院| 欧美黑人欧美精品刺激| 欧美色欧美亚洲另类二区| 国产伦一二天堂av在线观看| 色综合亚洲欧美另类图片| 午夜免费激情av| 啦啦啦观看免费观看视频高清| 亚洲专区中文字幕在线| 欧美zozozo另类| 国产精品永久免费网站| ponron亚洲| 亚洲av电影在线进入| 欧美丝袜亚洲另类 | 嫩草影院入口| 国产 一区 欧美 日韩| 国产99白浆流出| 亚洲18禁久久av| 狂野欧美白嫩少妇大欣赏| 国产亚洲精品综合一区在线观看| 九九久久精品国产亚洲av麻豆| 欧美乱妇无乱码| 日日夜夜操网爽| 亚洲精品亚洲一区二区| 一夜夜www| 国产久久久一区二区三区| 熟女电影av网| 亚洲av日韩精品久久久久久密| 桃色一区二区三区在线观看| 欧美激情久久久久久爽电影| 天堂√8在线中文| 中文字幕精品亚洲无线码一区| 国产亚洲精品av在线| 欧美日韩综合久久久久久 | 国产成人av教育| 久久精品91无色码中文字幕| 日本一二三区视频观看| 99精品在免费线老司机午夜| 欧美日本亚洲视频在线播放| 天美传媒精品一区二区| 国产又黄又爽又无遮挡在线| 人人妻人人澡欧美一区二区| 给我免费播放毛片高清在线观看| 9191精品国产免费久久| 久久中文看片网| 无人区码免费观看不卡| 国产黄片美女视频| 亚洲国产欧洲综合997久久,| 成人鲁丝片一二三区免费| 国产黄片美女视频| 最近视频中文字幕2019在线8| 99热这里只有精品一区| 亚洲专区中文字幕在线| 久久亚洲真实| 18+在线观看网站| 一a级毛片在线观看| 亚洲成av人片免费观看| 欧美日韩瑟瑟在线播放| 变态另类丝袜制服| 亚洲不卡免费看| 1000部很黄的大片| 亚洲黑人精品在线| 在线播放无遮挡| 久久精品夜夜夜夜夜久久蜜豆| 国产精华一区二区三区| 婷婷亚洲欧美| 亚洲av日韩精品久久久久久密| www国产在线视频色| 久久国产精品影院| 制服丝袜大香蕉在线| 精品人妻一区二区三区麻豆 | 黄片大片在线免费观看| 91麻豆av在线| 色av中文字幕| 高清在线国产一区| 波野结衣二区三区在线 | 亚洲不卡免费看| ponron亚洲| 亚洲aⅴ乱码一区二区在线播放| 可以在线观看的亚洲视频| 青草久久国产| 精品熟女少妇八av免费久了| 18+在线观看网站| 久久婷婷人人爽人人干人人爱| 久久久国产成人免费| 久久精品国产亚洲av涩爱 | 亚洲成av人片免费观看| 最新美女视频免费是黄的| 又黄又粗又硬又大视频| 国产亚洲精品综合一区在线观看| 岛国在线观看网站| 日本与韩国留学比较| 乱人视频在线观看| 很黄的视频免费| 99久久精品一区二区三区| 亚洲国产高清在线一区二区三| 在线十欧美十亚洲十日本专区| 亚洲成av人片在线播放无| 国产伦一二天堂av在线观看| 久久久久亚洲av毛片大全| 亚洲黑人精品在线| 成人永久免费在线观看视频| 老汉色av国产亚洲站长工具| 亚洲国产中文字幕在线视频| 久久国产乱子伦精品免费另类| 午夜老司机福利剧场| 少妇的逼水好多| 日本 av在线| 在线观看日韩欧美| 又黄又爽又免费观看的视频| 天堂√8在线中文| 色av中文字幕| 村上凉子中文字幕在线| 亚洲国产色片| 日本黄色视频三级网站网址| 天天躁日日操中文字幕| 国产亚洲精品一区二区www| 国产欧美日韩一区二区三| xxxwww97欧美| 在线天堂最新版资源| 国产精品精品国产色婷婷| 级片在线观看| 女人高潮潮喷娇喘18禁视频| 最近在线观看免费完整版| 成人国产综合亚洲| a级毛片a级免费在线| 亚洲国产精品久久男人天堂| 日韩成人在线观看一区二区三区| 非洲黑人性xxxx精品又粗又长| 一个人看的www免费观看视频| 男女床上黄色一级片免费看| 午夜福利在线观看吧| 18禁裸乳无遮挡免费网站照片| 禁无遮挡网站| 国产中年淑女户外野战色| 日本在线视频免费播放| 网址你懂的国产日韩在线| 两个人的视频大全免费| 欧美成人性av电影在线观看| 搡老熟女国产l中国老女人| 色吧在线观看| 国内久久婷婷六月综合欲色啪| 亚洲av成人不卡在线观看播放网| 久久午夜亚洲精品久久| 中文亚洲av片在线观看爽| 日韩欧美免费精品| 真人做人爱边吃奶动态| 宅男免费午夜| 欧美中文综合在线视频| 3wmmmm亚洲av在线观看| 夜夜夜夜夜久久久久| 人妻夜夜爽99麻豆av| 9191精品国产免费久久| 久久精品综合一区二区三区| 看免费av毛片| 精品乱码久久久久久99久播| 日本三级黄在线观看| 亚洲精品一区av在线观看| 真人一进一出gif抽搐免费| 又黄又爽又免费观看的视频| 成人特级av手机在线观看| 午夜久久久久精精品| 精品久久久久久,| 欧美色视频一区免费| 免费av不卡在线播放| 亚洲性夜色夜夜综合| 国产在线精品亚洲第一网站| 99久久久亚洲精品蜜臀av| 老鸭窝网址在线观看| 成人永久免费在线观看视频| АⅤ资源中文在线天堂| 精品熟女少妇八av免费久了| 内地一区二区视频在线| 国产av麻豆久久久久久久| 老熟妇仑乱视频hdxx| 一个人免费在线观看的高清视频| 美女cb高潮喷水在线观看| 内地一区二区视频在线| 搞女人的毛片| 日韩成人在线观看一区二区三区| 亚洲黑人精品在线| 久久久精品大字幕| av天堂在线播放| 69人妻影院| 丰满人妻熟妇乱又伦精品不卡| 亚洲 国产 在线| 欧美乱妇无乱码| 波野结衣二区三区在线 | 成人18禁在线播放| 男女做爰动态图高潮gif福利片| 桃色一区二区三区在线观看| 亚洲精品在线观看二区| 很黄的视频免费| 每晚都被弄得嗷嗷叫到高潮| 久久久国产成人免费| 激情在线观看视频在线高清| 波多野结衣高清无吗| 十八禁人妻一区二区| 国产亚洲av嫩草精品影院| 亚洲精品乱码久久久v下载方式 | 免费看a级黄色片| 午夜免费观看网址| 欧美成人一区二区免费高清观看| 精品久久久久久成人av| 18+在线观看网站| 久久亚洲精品不卡| 精品免费久久久久久久清纯| 亚洲精品456在线播放app | 99热这里只有是精品50| 欧美不卡视频在线免费观看| 色综合站精品国产| 在线播放国产精品三级| 一级黄色大片毛片| 高清日韩中文字幕在线| 午夜激情欧美在线| 国产视频一区二区在线看| 亚洲精品国产精品久久久不卡| 日本黄色片子视频| 色老头精品视频在线观看| 国产亚洲欧美在线一区二区| 久久伊人香网站| 亚洲中文字幕日韩| 亚洲av日韩精品久久久久久密| 欧美日韩亚洲国产一区二区在线观看| 国产三级中文精品| 桃红色精品国产亚洲av| 欧美日本视频| 色综合亚洲欧美另类图片| 色视频www国产| 波野结衣二区三区在线 | 亚洲欧美日韩高清专用| 婷婷亚洲欧美| av在线天堂中文字幕| 一本精品99久久精品77| 12—13女人毛片做爰片一| 国产精品 国内视频| 欧美高清成人免费视频www| 免费av毛片视频| 2021天堂中文幕一二区在线观| 有码 亚洲区| 两个人看的免费小视频| 精品国产三级普通话版| 又爽又黄无遮挡网站| 欧美+亚洲+日韩+国产| 久久午夜亚洲精品久久| 国产精品99久久99久久久不卡| 国产精品自产拍在线观看55亚洲| 精品久久久久久久久久免费视频| 国产一区二区在线观看日韩 | 日本一本二区三区精品| 久久精品国产自在天天线| 亚洲欧美激情综合另类| 一区二区三区高清视频在线| 制服丝袜大香蕉在线| 精品久久久久久久久久久久久| 97人妻精品一区二区三区麻豆| 国产中年淑女户外野战色| 我的老师免费观看完整版| 午夜福利免费观看在线| 热99re8久久精品国产| 国产黄片美女视频| 欧美日韩中文字幕国产精品一区二区三区| 校园春色视频在线观看| 人妻夜夜爽99麻豆av| 深爱激情五月婷婷| 亚洲人成网站高清观看| 村上凉子中文字幕在线| 久久九九热精品免费| 亚洲av日韩精品久久久久久密| 久久久久久久精品吃奶| 免费在线观看日本一区| 每晚都被弄得嗷嗷叫到高潮| 两个人视频免费观看高清| 成人一区二区视频在线观看| 丁香欧美五月| 青草久久国产| 精品福利观看| 欧美性猛交黑人性爽| 久久伊人香网站| 五月伊人婷婷丁香| 可以在线观看的亚洲视频| 999久久久精品免费观看国产| 亚洲黑人精品在线| 国产成+人综合+亚洲专区| 亚洲无线在线观看| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 国产视频内射| 身体一侧抽搐| 亚洲精品影视一区二区三区av| 国产伦在线观看视频一区| 国产国拍精品亚洲av在线观看 | 一区二区三区高清视频在线| 中国美女看黄片| 国产精品乱码一区二三区的特点| 九九热线精品视视频播放| 尤物成人国产欧美一区二区三区| 美女大奶头视频| 国产成人av教育| 亚洲专区中文字幕在线| 久久久国产成人免费| 黄色成人免费大全| 午夜福利免费观看在线| 国产综合懂色| 亚洲成人中文字幕在线播放| 欧美日韩福利视频一区二区| 欧美日韩瑟瑟在线播放| 亚洲七黄色美女视频| 亚洲av五月六月丁香网| 十八禁人妻一区二区| 色哟哟哟哟哟哟| 日韩有码中文字幕| 精品久久久久久,| 亚洲av电影不卡..在线观看| 免费电影在线观看免费观看| 啦啦啦观看免费观看视频高清| 波多野结衣高清作品| 亚洲av成人精品一区久久| 一二三四社区在线视频社区8| 免费一级毛片在线播放高清视频| 长腿黑丝高跟| 精品99又大又爽又粗少妇毛片 | 校园春色视频在线观看| 日韩人妻高清精品专区| 男插女下体视频免费在线播放| 国产毛片a区久久久久| 色综合站精品国产| 夜夜躁狠狠躁天天躁| 18禁黄网站禁片免费观看直播| 在线看三级毛片| 成人国产一区最新在线观看| 精品欧美国产一区二区三| 99久久99久久久精品蜜桃| 国产欧美日韩精品亚洲av| 久久人妻av系列| 一二三四社区在线视频社区8| 成人精品一区二区免费| 免费观看人在逋| 国产乱人伦免费视频| 午夜老司机福利剧场| 两个人的视频大全免费| 欧美丝袜亚洲另类 | 91字幕亚洲| 女警被强在线播放| 丁香欧美五月| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 国产一区二区在线av高清观看| 亚洲国产日韩欧美精品在线观看 | 欧美日韩黄片免| 操出白浆在线播放| 精华霜和精华液先用哪个| 色尼玛亚洲综合影院| 色吧在线观看| 日韩欧美在线乱码| 成人午夜高清在线视频| 国产亚洲精品久久久久久毛片| 在线观看日韩欧美| 日本与韩国留学比较| 色av中文字幕| 欧美bdsm另类| 两个人看的免费小视频| 舔av片在线| 手机成人av网站| 成年人黄色毛片网站| 亚洲专区中文字幕在线| 亚洲av不卡在线观看| 黄片小视频在线播放| 免费人成在线观看视频色| 18禁在线播放成人免费| av天堂中文字幕网| 久久久国产成人免费| 午夜影院日韩av| 久久伊人香网站| 变态另类丝袜制服| 国产精品乱码一区二三区的特点| 亚洲五月婷婷丁香| 嫩草影视91久久| 欧美成人免费av一区二区三区| 久久中文看片网| 日韩欧美在线乱码| 亚洲精品影视一区二区三区av| 免费在线观看影片大全网站| 免费看日本二区| 国产欧美日韩一区二区三| 国产伦精品一区二区三区四那| 男女之事视频高清在线观看| 动漫黄色视频在线观看| 51国产日韩欧美| 一a级毛片在线观看| 天堂网av新在线| 欧美一区二区亚洲| 中文亚洲av片在线观看爽| 少妇人妻精品综合一区二区 | 国产av不卡久久| 国产成+人综合+亚洲专区| 午夜老司机福利剧场| 成人国产一区最新在线观看| 亚洲人成网站在线播| 免费高清视频大片| 欧美乱色亚洲激情| 青草久久国产| 亚洲欧美日韩无卡精品| 国产又黄又爽又无遮挡在线| 亚洲性夜色夜夜综合| 变态另类成人亚洲欧美熟女| 中文字幕精品亚洲无线码一区| 亚洲av成人精品一区久久| 久久香蕉国产精品| 亚洲av五月六月丁香网| 国产精品美女特级片免费视频播放器| 一a级毛片在线观看| 天堂网av新在线| 一个人免费在线观看电影| 又紧又爽又黄一区二区| 久久久久性生活片| 久久久成人免费电影| 成人精品一区二区免费| 精品久久久久久久末码| 国产精品久久久久久亚洲av鲁大| 99久久成人亚洲精品观看| 久久香蕉国产精品| 一个人看的www免费观看视频| 操出白浆在线播放| 亚洲美女视频黄频| 午夜免费男女啪啪视频观看 | 国产高清视频在线播放一区| 成人鲁丝片一二三区免费| 日韩欧美三级三区| 久久精品国产综合久久久| 亚洲精品久久国产高清桃花| 亚洲真实伦在线观看| 一本精品99久久精品77| 欧美一区二区亚洲| 999久久久精品免费观看国产| 久久精品国产99精品国产亚洲性色| 久久精品国产清高在天天线| 国产亚洲精品一区二区www| 男人的好看免费观看在线视频| 2021天堂中文幕一二区在线观| 制服人妻中文乱码| 亚洲av一区综合| 国产一区二区三区视频了| 国产精品亚洲av一区麻豆| 国产91精品成人一区二区三区| 好看av亚洲va欧美ⅴa在| 午夜福利在线观看吧| 亚洲 欧美 日韩 在线 免费| 最近在线观看免费完整版| 久久久久久人人人人人| 免费在线观看成人毛片| 亚洲精品一区av在线观看| 国产精品久久久久久久久免 | 欧美三级亚洲精品| 久久久国产成人免费| 亚洲av成人不卡在线观看播放网| 亚洲欧美激情综合另类| 国产成人系列免费观看| 欧美中文综合在线视频| 国产精品久久久久久精品电影| 国产色爽女视频免费观看| 国产黄a三级三级三级人| 亚洲最大成人中文| 午夜精品久久久久久毛片777| 国内揄拍国产精品人妻在线| 午夜日韩欧美国产| 免费观看的影片在线观看| 亚洲成人中文字幕在线播放| 国产av麻豆久久久久久久| 午夜福利在线观看吧| 男女午夜视频在线观看| 午夜精品一区二区三区免费看| 欧美zozozo另类| 又粗又爽又猛毛片免费看| 国内久久婷婷六月综合欲色啪| 欧美性猛交黑人性爽| 熟女电影av网| 亚洲欧美精品综合久久99| 哪里可以看免费的av片| 亚洲色图av天堂| xxxwww97欧美| 长腿黑丝高跟| 亚洲专区国产一区二区| xxxwww97欧美| 老汉色av国产亚洲站长工具| 亚洲av二区三区四区| x7x7x7水蜜桃| 中文字幕人妻丝袜一区二区| 久久久久国产精品人妻aⅴ院| 日韩有码中文字幕| 高清日韩中文字幕在线| 少妇熟女aⅴ在线视频| 真人一进一出gif抽搐免费| 国产午夜福利久久久久久| 精品久久久久久成人av| 乱人视频在线观看| 人妻夜夜爽99麻豆av| 国产精品永久免费网站| 欧美日韩乱码在线| 亚洲专区中文字幕在线| 最新美女视频免费是黄的| 岛国在线免费视频观看| 午夜福利在线在线| 亚洲人成网站高清观看| 99久久无色码亚洲精品果冻| 欧美又色又爽又黄视频| 欧美一级a爱片免费观看看| 欧美在线一区亚洲| 2021天堂中文幕一二区在线观| 成人一区二区视频在线观看| 最后的刺客免费高清国语| www日本黄色视频网|