• <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 ?

    基于時(shí)空軌跡的移動(dòng)對(duì)象匯聚模式挖掘算法

    2018-06-28 09:27:52張逸凡孫鴻艷吉根林
    數(shù)據(jù)采集與處理 2018年3期
    關(guān)鍵詞:時(shí)刻軌跡閾值

    張逸凡 趙 斌 孫鴻艷 談 超 吉根林

    (南京師范大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 南京,210023)

    引 言

    衛(wèi)星定位和移動(dòng)互聯(lián)技術(shù)的日趨成熟催生了海量的時(shí)空軌跡數(shù)據(jù)。它們真實(shí)記錄了移動(dòng)對(duì)象的運(yùn)動(dòng)行為特征,包括位置、時(shí)間、方向和速度等屬性。采集并分析移動(dòng)對(duì)象群體(簡(jiǎn)稱群體)的軌跡數(shù)據(jù),可以有效地揭示群體運(yùn)動(dòng)的行為規(guī)律和常見模式。所以時(shí)空軌跡的群體模式挖掘是一個(gè)具有理論意義和應(yīng)用價(jià)值的研究課題。通常,時(shí)空軌跡模式分為共現(xiàn)模式、伴隨模式、聚集模式、頻繁模式和異常模式等[1,2]。本文主要研究時(shí)空軌跡的聚集模式挖掘問題。2005年,由Laube等首次提出了定義移動(dòng)對(duì)象運(yùn)動(dòng)模式的REMO模型[3],其中定義了基于時(shí)空維度的聚集模式,即Aggregation模式。該模式規(guī)定在單個(gè)時(shí)間片中存在足夠多的面向同一圓形區(qū)域運(yùn)動(dòng)的移動(dòng)對(duì)象,且運(yùn)動(dòng)的方向向量都與該圓形區(qū)域相交,最終通過計(jì)算各方向向量延長(zhǎng)線的交點(diǎn)來(lái)識(shí)別聚集模式。2013年,鄭凱等提出了聚集模式Gathering[4,5],并總結(jié)了聚集模式的5種特征,分別是規(guī)模性、密集性、持久性、靜態(tài)性、專一性。Gathering模式由至少個(gè)連續(xù)時(shí)刻的密集快照構(gòu)成,同時(shí)要求至少個(gè)參與者(Participator)必須在不低于個(gè)密集快照(可以不連續(xù))中出現(xiàn)。Gathering模式的優(yōu)點(diǎn)是放松了參與者必須在連續(xù)密集快照中出現(xiàn)的要求,在保證足夠參與性的同時(shí)也兼顧了每個(gè)時(shí)刻的對(duì)象密集性,這更適合實(shí)際的應(yīng)用場(chǎng)景。2015年,鄭宇等研究基于STG圖 (Spatio-temporal graph)的聚集模式。他們通過分析人群的移動(dòng)行為發(fā)現(xiàn)城市中的黑洞模式[6]。該研究與眾不同之處在于研究拓?fù)浣Y(jié)構(gòu)上的聚集模式問題。時(shí)空軌跡的伴隨模式研究在建模方法上與聚集模式的比較接近。伴隨模式是指群體在時(shí)間維度上連續(xù)出現(xiàn),在空間維度上密集存在。典型的研究工作主要有Flock[7-9],Moving cluster[10],Convoy[11,12],Swarm[13]以及Traveling companions[14]等伴隨模式。Flock模式是指群體在連續(xù)的k個(gè)時(shí)刻中都在空間中維持圓形的聚集形狀,并且這些時(shí)刻的聚集共享一定數(shù)量的移動(dòng)對(duì)象。Convoy模式放松了群體的聚集形狀必須為圓形的要求,采用了密度相連的方式識(shí)別伴隨運(yùn)動(dòng)的群體。Swarm模式考慮到部分移動(dòng)對(duì)象在某些時(shí)刻可能臨時(shí)離開,然后又重回聚集群體。因而,在時(shí)間維度上放松為k個(gè)非連續(xù)的時(shí)刻要求。而Traveling companions模式則在處理方式采用在線處理的方式從時(shí)空軌跡流中挖掘伴隨模式。不難發(fā)現(xiàn),早期伴隨模式的研究方法被借鑒到后續(xù)聚集模式研究中。例如,聚集模式的定義依然沿用了伴隨模式定義的基本思路。經(jīng)過分析可以發(fā)現(xiàn),雖然聚集模式和伴隨模式在群體形狀、密度以及時(shí)間連續(xù)性方面各有不同,但是它們都是基于多時(shí)刻的共現(xiàn)模式所構(gòu)成。這種建模方法的優(yōu)點(diǎn)是可以從空間位置關(guān)系上準(zhǔn)確識(shí)別“在一起”的群體,從而滿足模式中“聚集存在”的需要,但是缺點(diǎn)也十分明顯。由于缺乏群體在運(yùn)動(dòng)形態(tài)上的判斷,因而無(wú)法避免“停車場(chǎng)”問題的出現(xiàn)。“停車場(chǎng)”問題是指聚集在一起的群體在連續(xù)時(shí)刻內(nèi)不發(fā)生空間位置的改變,如同停車場(chǎng)一樣。雖然處于“停車場(chǎng)”中的群體在連續(xù)時(shí)刻內(nèi)都在空間鄰域中聚集存在,但顯然與聚集模式和伴隨模式的基本思想不符合。

    為了解決“停車場(chǎng)”問題對(duì)聚集模式挖掘的干擾,本文提出了兼顧群體運(yùn)動(dòng)方向的聚集模式挖掘問題,也就是對(duì)群體運(yùn)動(dòng)過程進(jìn)行建模,識(shí)別持續(xù)朝向中心區(qū)域聚集的群體匯聚模式,簡(jiǎn)稱匯聚模式。與傳統(tǒng)的聚集模式相比,匯聚模式挖掘中增加了對(duì)群體運(yùn)動(dòng)形態(tài)的甄別,提高了識(shí)別群體聚集行為的準(zhǔn)確性,但也為算法設(shè)計(jì)增加了難度,主要表現(xiàn)在如下兩方面:(1)匯聚模式的定義。已有的聚集模式和伴隨模式都是基于群體的“共現(xiàn)”思想來(lái)設(shè)計(jì)并定義的。但是在匯聚模式中只有群體聚集到中心區(qū)域時(shí)才會(huì)表現(xiàn)出共現(xiàn)模式,在此之前無(wú)法采用共現(xiàn)模式的挖掘算法跟蹤并識(shí)別移動(dòng)群體。所以,本文提出的匯聚模式無(wú)法完全采用共現(xiàn)模式進(jìn)行定義。(2)群體運(yùn)動(dòng)形態(tài)具有復(fù)雜性。在現(xiàn)實(shí)應(yīng)用場(chǎng)景中,群體的運(yùn)動(dòng)形態(tài)具有多樣性。例如,有向心運(yùn)動(dòng)的群體,有隨機(jī)運(yùn)動(dòng)的群體,也有靜止不動(dòng)的群體。多種類型群體在空間維度上相互重合交織,這為匯聚模式識(shí)別增加了難度。

    為了應(yīng)對(duì)上述挑戰(zhàn),本文提出的匯聚模式針對(duì)移動(dòng)群體的聚集過程進(jìn)行建模。在模式定義中引入運(yùn)動(dòng)方向,從群體運(yùn)動(dòng)形態(tài)出發(fā)進(jìn)行設(shè)計(jì)。這樣可以有效識(shí)別向心運(yùn)動(dòng)的群體,而不受其他運(yùn)動(dòng)類型移動(dòng)對(duì)象的干擾?;诖怂悸?本文設(shè)計(jì)并實(shí)現(xiàn)了匯聚模式的挖掘算法。該算法從匯聚模式的匯聚中心點(diǎn)出發(fā),首先使用基于密度的聚類算法定位高密度點(diǎn),并以此作為候選匯聚的中心點(diǎn),然后根據(jù)候選匯聚中心點(diǎn)鄰域中的移動(dòng)群體的運(yùn)動(dòng)形態(tài)識(shí)別向心匯聚模式。最后在連續(xù)時(shí)刻上,挖掘移動(dòng)群體的匯聚模式。

    1 問題描述

    分析現(xiàn)實(shí)中的匯聚運(yùn)動(dòng)行為可以總結(jié)出如下3個(gè)特性:(1)規(guī)模性。移動(dòng)群體在數(shù)量上應(yīng)該具有規(guī)模性;(2)持續(xù)性。在時(shí)間維度上,群體匯聚行為應(yīng)該持續(xù)一段時(shí)間,形成穩(wěn)定的群體運(yùn)動(dòng)形態(tài);(3)方向性。在空間維度上,移動(dòng)群體從不同方向朝向同一中心區(qū)域匯聚。

    根據(jù)以上特性,本文對(duì)移動(dòng)群體的匯聚運(yùn)動(dòng)行為進(jìn)行形式化。設(shè)移動(dòng)對(duì)象集合ODB={o1,…,on},時(shí)間區(qū)間T=〈t1,…,tm〉,其中移動(dòng)對(duì)象o的軌跡定義為o.traj=〈(pt1,t1),…,(ptm,tm)〉,pti=(xti,yti)∈R2,ti∈T,o.pti為o在ti時(shí)刻的空間位置。在ti時(shí)刻所有對(duì)象的位置點(diǎn)集合定義為Sti={o.pti|o∈ODB}。

    1.1 相關(guān)定義

    定義1(鄰域) 給定距離閾值ε和點(diǎn)集S,點(diǎn)p的ε-鄰域定義為Nε(p)={q∈S|D(p,q)≤ε},其中D(·)表示兩點(diǎn)間的歐氏距離。

    根據(jù)鄰域概念引申出另外兩個(gè)定義 :(1)匯聚模式中心點(diǎn)pa的ε-鄰域,記作Nε(pa);(2)以匯聚點(diǎn)pa為中心,以半徑r為距離閾值的鄰域,記作Nr(pa)。Nr(pa)是群體匯聚后的停留區(qū)域,而Nr(pa)是指移動(dòng)對(duì)象從不同方向朝向匯聚點(diǎn)pa運(yùn)動(dòng)的區(qū)域,如圖1所示。

    圖1 匯聚模式中的P點(diǎn)鄰域 Fig.1 Neighborhood of node P of converging pattern

    定義2(鄰域快照) 給定移動(dòng)對(duì)象集合ODB和距離閾值ε,點(diǎn)p在t時(shí)刻的ε-鄰域定義為Nε(p,t)={q∈St|D(p,q)≤ε}。

    圖2 匯聚模式方向區(qū)域 Fig.2 Direction regions of converging pattern

    定義5(匯聚群體) 給定移動(dòng)對(duì)象集合ODB和時(shí)間閾值k1,在te時(shí)刻以pa為匯聚點(diǎn)參與匯聚的移動(dòng)對(duì)象集合記作Ate,必須滿足以下要求:

    (1)Ate?ODB;

    (2)設(shè)[te-k1,te]?T,?o∈Ate,滿足o.pte∈N∈(pa,te),且o.pte-k1?Nr(pa,te-k1)。

    1.2 問題定義

    給定移動(dòng)對(duì)象集合ODB,匯聚區(qū)域半徑r,方向區(qū)域同向點(diǎn)集的閾值s,時(shí)間閾值k1和k2,時(shí)空軌跡匯聚模式挖掘是在時(shí)間區(qū)間T范圍內(nèi)發(fā)現(xiàn)所有的匯聚模式G。

    1.3 總體框架

    本文提出的移動(dòng)對(duì)象匯聚模式挖掘的總體框架主要包括以下4個(gè)階段:

    (1)數(shù)據(jù)預(yù)處理。真實(shí)的GPS軌跡長(zhǎng)度往往不等,采樣率各不相同。預(yù)處理階段的主要任務(wù)是采用線性插值的方法將不等長(zhǎng)的軌跡基于相同的時(shí)間序列T進(jìn)行“對(duì)齊”。

    (2)定位候選的匯聚中心區(qū)域。匯聚模式的中心區(qū)域往往具有高密度的特點(diǎn),因而通過識(shí)別密度峰值區(qū)域可以確定候選的匯聚中心區(qū)域。

    (3)識(shí)別匯聚模式。在階段2的基礎(chǔ)上,分析匯聚中心區(qū)域中的移動(dòng)群體在歷史時(shí)間區(qū)間中的運(yùn)動(dòng)形態(tài),進(jìn)而識(shí)別匯聚模式及其中心區(qū)域。

    (4)展示匯聚模式。通過可視化技術(shù)展示時(shí)空軌跡的匯聚模式,包括匯聚模式的移動(dòng)對(duì)象、匯聚區(qū)域及其中心和匯聚模式的生命周期。

    2 算法設(shè)計(jì)

    基于匯聚模式定義,本文提出了匯聚模式挖掘算法CPM。該算法包含定位密度峰值點(diǎn)、識(shí)別單時(shí)刻匯聚群體和挖掘匯聚模式3個(gè)階段。由于算法在每個(gè)時(shí)刻都要進(jìn)行多次區(qū)域搜索,因此對(duì)每個(gè)時(shí)刻建立R樹索引。不作說明,下文算法中涉及到區(qū)域搜索的步驟,均使用R樹索引提升效率。

    2.1 定位密度峰值點(diǎn)

    通常,密度峰值點(diǎn)具有以下兩個(gè)特點(diǎn):(1)密度峰值點(diǎn)的密度大于其鄰域中其他點(diǎn)的密度;(2)密度峰值點(diǎn)與密度更高的點(diǎn)之間的距離相對(duì)較大。根據(jù)這兩個(gè)特點(diǎn),Rodriguez等提出了基于密度峰值的聚類算法[15]。

    對(duì)于點(diǎn)pi,分別計(jì)算其密度ρi和距離δi,即

    (1)

    (2)

    式中:dij表示pi與pj的距離;dc為搜索半徑,當(dāng)dij-dc< 0時(shí),f(dij-dc) = 1,否則f(dij-dc) = 0。δi表示pi距離密度更大的點(diǎn)的最小距離。特別地,當(dāng)ρi為最大時(shí),δi=maxj(dij)。

    如果ρi大于密度閾值ρ,δi大于距離閾值δ,則pi為密度峰值點(diǎn)。算法1簡(jiǎn)要描述了這一過程。首先計(jì)算每個(gè)點(diǎn)的密度(行1~5),然后計(jì)算每個(gè)點(diǎn)與密度更高點(diǎn)的距離(行6~10),最后判斷每個(gè)點(diǎn)是否滿足閾值要求(行11~13)。算法時(shí)間復(fù)雜度為O(n2),使用R樹索引后,時(shí)間復(fù)雜度為O(n·logn)。

    算法1密度峰值點(diǎn)查找算法(Density peak query,DPQ)

    輸入:移動(dòng)對(duì)象點(diǎn)集S,搜索半徑dc,密度閾值ρ,距離閾值δ

    輸出:密度峰值點(diǎn)集合P

    1.for each pointpi∈S

    2.ρi←0;//密度初始化為0

    3. for each pointpj∈S

    4. if(dij

    5.ρi←ρi+1;//密度更新

    6.for each pointpi∈S

    7.δi←max (dij);

    8. for each pointpj∈S

    9. if(ρj>ρi)

    10.δi←min(δi,dij);//計(jì)算pi距離密度更大的點(diǎn)的最小距離

    11.for each pointpi∈S

    12. if(ρi>ρa(bǔ)ndδi>δ)

    13.P←P∪p;//輸出滿足閾值ρ,δ的點(diǎn)

    14.returnP

    2.2 挖掘單時(shí)刻向心匯聚群體

    算法1簡(jiǎn)要描述了單時(shí)刻向心匯聚群體的挖掘過程。這里,O′表示候選匯聚中心鄰域中的移動(dòng)對(duì)象集合。對(duì)于時(shí)刻te,首先找到候選匯聚模式對(duì)應(yīng)的匯聚中心以外的點(diǎn)集(行2~4),然后計(jì)算這些點(diǎn)集的密度峰值點(diǎn),并將其作為候選向心匯聚中心(行5),最后根據(jù)向心匯聚群體的定義判斷每個(gè)候選向心匯聚在該時(shí)刻是否滿足定義要求(行6~18)。如果滿足要求,則更新其持續(xù)時(shí)間(行13)。如果不滿足要求且該候選向心匯聚的持續(xù)時(shí)間滿足閾值k2,則輸出為閉合匯集模式(行16)。

    算法2單時(shí)刻匯聚群體挖掘算法(Converging group mining,CGM)

    輸入:移動(dòng)對(duì)象集合ODB,候選匯聚模式C,半徑閾值ε,γ,同向點(diǎn)集的閾值s,時(shí)刻te,時(shí)間閾值k1,k2

    輸出:當(dāng)前時(shí)刻匯聚模式R

    1.C′←Φ,O′←Φ,R←Φ;

    2.for each c∈C

    3.O′←O′∪{o|o∈Nε(c.center)};

    4.Ste←{o.pte|o∈(ODB-O′)};

    5.C←C∪{c|c(pa)∈DPQ(Ste);//計(jì)算當(dāng)前密度峰值點(diǎn),并將其作為候選向心匯聚中心

    6.for eachc∈Cdo

    7. if(c. is Converge = false)

    8. continue;

    9. flag←true;

    10.for eachti∈[te-k1+1,te-1] do

    12. flag←false;

    13. break;

    14.if(flag = true) then//如果每個(gè)分區(qū)的點(diǎn)集規(guī)模滿足閾值s,則為匯聚

    15.c.updateTime;//更新候選匯聚模式時(shí)間

    16.C′←C′∪c;

    17. else if(c.lifetime≥k2)

    18.R←R∪c;

    19. else

    20.C.remove(c);//從候選匯聚模式中刪除閉合匯集模式

    21.returnR;

    2.3 挖掘連續(xù)時(shí)刻匯聚模式

    向心匯聚反映了移動(dòng)對(duì)象從四周向中心匯聚的運(yùn)動(dòng)形態(tài),是一個(gè)匯聚的過程。如果只是單時(shí)刻或者持續(xù)時(shí)間很短的向心匯聚則不能形成一個(gè)大規(guī)模群體事件,這樣的匯聚模式也是沒有意義的。而當(dāng)匯聚模式持續(xù)了較長(zhǎng)的一段時(shí)間,匯聚中心的規(guī)模會(huì)越來(lái)越大,直到達(dá)到一個(gè)峰值后,再趨于穩(wěn)定,然后又慢慢消失,這個(gè)過程恰恰反映了一個(gè)大規(guī)模群體事件從產(chǎn)生到消失的過程。根據(jù)匯聚模式的時(shí)間連續(xù)性,算法按時(shí)間推進(jìn),使用單時(shí)刻匯聚模式挖掘算法CGM計(jì)算每個(gè)時(shí)刻的閉合匯聚模式,同時(shí)計(jì)算當(dāng)前時(shí)刻的候選匯聚模式并更新候選匯聚模式集合。

    算法3簡(jiǎn)要描述了這一過程。R表示匯聚模式集合,C表示當(dāng)前候選匯聚模式集合。算法迭代地調(diào)用單時(shí)刻匯聚模式挖掘算法CGM,并更新當(dāng)前候選集合C(行2~4),最后輸出所有匯聚模式R。

    算法3匯聚模式挖掘算法(Converging patterns mining,CPM)

    輸入:移動(dòng)對(duì)象集合ODB,半徑閾值∈、γ,同向點(diǎn)集的閾值s,時(shí)間閾值k1,k2,時(shí)間域T

    輸出:匯聚模式集合R

    1.R←Φ,C←Φ;

    2.for eachte∈T(in ascending order)

    3.R←R∪CGM(ODB,C,∈,γ,s,te,k1,k2);

    4.C.update;

    5.returnR;

    3 實(shí)驗(yàn)與分析

    3.1 實(shí)驗(yàn)設(shè)置

    為了驗(yàn)證匯聚模式及其算法的有效性和高效性,本文采用真實(shí)的GPS軌跡數(shù)據(jù)(http://www.ccf.org.cn/sites/ccf/dashuju.jsp?contentId=2756825351305#大賽賽題)進(jìn)行實(shí)驗(yàn)。該數(shù)據(jù)集是北京市12 408輛出租車在2012年11月的GPS數(shù)據(jù)。本文實(shí)驗(yàn)選取了其中11月1日全天的GPS數(shù)據(jù),共12 408條軌跡,大小為1.8 GB。經(jīng)過軌跡預(yù)處理后,出租車軌跡的時(shí)間區(qū)間以分鐘為單位,共1440(24×60)個(gè)時(shí)刻。本文實(shí)驗(yàn)所有程序采用Java語(yǔ)言編寫,運(yùn)行在CentOS 6.4操作系統(tǒng)上,硬件平臺(tái)的配置情況為2個(gè)6核Intel(R) Xeon(R) CPU,主頻為2.40 GHz,內(nèi)存為32 GB。

    3.2 實(shí)驗(yàn)評(píng)價(jià)

    與本文研究最接近的工作是文獻(xiàn)[4]中提出的聚集模式及其算法,該算法是目前在聚集模式挖掘方面最新的研究成果,因而以此作為基準(zhǔn)測(cè)試方法。實(shí)驗(yàn)將從模式定義有效性和挖掘算法效率兩方面對(duì)匯聚模式和聚集模式進(jìn)行比較。在模式定義有效性方面,通過人工檢查的方式對(duì)模式挖掘的結(jié)果進(jìn)行分類,分析有效模式所占比例,比例越高說明模式挖掘效果越好。這里的有效模式是指移動(dòng)群體的運(yùn)動(dòng)中心區(qū)域在地理空間中與(Point of interest,POI)重合的模式。而算法效率的比較相對(duì)簡(jiǎn)單,主要考慮不同數(shù)據(jù)量下的算法運(yùn)行時(shí)間,時(shí)間越短則效率越高。通過前文的分析可以發(fā)現(xiàn),兩種模式最大的區(qū)別在于模式定義中是否考慮移動(dòng)群體的運(yùn)動(dòng)方向。本文實(shí)驗(yàn)將證明考慮方向性的匯聚模式比聚集模式在挖掘效果和算法效率兩方面表現(xiàn)得更出色。

    3.3 挖掘算法有效性

    在分析兩種模式的有效性之前,先介紹實(shí)驗(yàn)參數(shù)的設(shè)置情況。匯聚模式的參數(shù)設(shè)置為:匯聚中心區(qū)域定位算法的距離閾值dc=1 000 m,密度閾值ρ=20,峰值點(diǎn)間的距離閾值δ=1 500 m,半徑閾值ε=800 m,r=5 000 m,方向區(qū)域同向點(diǎn)集閾值s=5,時(shí)間閾值k1=20,k2=5。

    聚集模式的參數(shù)設(shè)置為:DBSCAN數(shù)量閾值m=5,半徑閾值ε=200 m,聚集快照中移動(dòng)對(duì)象的個(gè)數(shù)閾值mc=15,相鄰簇的豪斯多夫距離閾值δ=300 m,群體生命期閾值kc=10,參與者生命期閾值kp=5,參與者個(gè)數(shù)閾值mp=10。

    首先通過可視化技術(shù)在地圖上展示兩種模式的挖掘結(jié)果,即地理空間中的分布情況??梢悦黠@發(fā)現(xiàn)聚集模式在數(shù)量上多于匯聚模式,兩者空間分布差異性較大。匯聚模式主要集中在北京市三環(huán)以內(nèi)人流量較多的地方;而聚集模式分布較為廣泛,不局限在城市的中心區(qū)域,如圖3所示。

    圖3 模式挖掘結(jié)果可視化Fig.3 Visualization of mining pattern

    為了能夠量化評(píng)估模式挖掘的有效性,結(jié)合群體運(yùn)動(dòng)的地理位置對(duì)挖掘結(jié)果進(jìn)行分類,劃分成3種類型:路口聚集、停車場(chǎng)聚集和POI聚集。其中,路口聚集是指移動(dòng)群體在道路路口的停留;停車場(chǎng)聚集表明移動(dòng)群體在某個(gè)固定區(qū)域長(zhǎng)時(shí)間滯留,移動(dòng)群體本身變動(dòng)較少;POI聚集是指地理空間中人們感興趣的位置,如體育場(chǎng)、交通樞紐和娛樂場(chǎng)所等。不難發(fā)現(xiàn),只有POI聚集可以體現(xiàn)模式挖掘的有效性。

    按照上述分類,作者將2016年11月1日一天中兩種模式挖掘算法的結(jié)果統(tǒng)計(jì)在表1中。可以發(fā)現(xiàn),聚集模式發(fā)現(xiàn)了326個(gè)結(jié)果,遠(yuǎn)遠(yuǎn)多于匯聚模式的40個(gè)結(jié)果。但是73.3%的結(jié)果都屬于停車場(chǎng)聚集。經(jīng)過分析發(fā)現(xiàn),大量出租車停留在交通樞紐的停車場(chǎng),或者下午集中停留在出租車??奎c(diǎn),這些位置大多是路邊。而POI聚集一共28個(gè),占8.6%。這樣的結(jié)果說明聚集模式的挖掘質(zhì)量不高,有效的聚集比例較低。另一方面,匯聚模式中POI聚集共33個(gè),占82.5%,在絕對(duì)數(shù)量上超過聚集模式,并且匯聚模式挖掘算法的質(zhì)量較高,可以發(fā)現(xiàn)更多有意義的模式。

    表1 2012年11月1日北京市的匯聚模式和聚集模式挖掘情況

    圖4 匯聚模式和聚集模式挖掘結(jié)果的交集 Fig.4 Intersection of converging and gathering

    針對(duì)同一份軌跡數(shù)據(jù),兩種模式挖掘結(jié)果中存在4個(gè)相同的POI聚集結(jié)果。按照發(fā)生地點(diǎn)、時(shí)間和規(guī)模的不同展現(xiàn)在圖4中。矩形框的粗細(xì)代表群體模式的規(guī)模大小,長(zhǎng)短表示群體模式持續(xù)的時(shí)間。通過分析可以發(fā)現(xiàn)以下結(jié)果:(1)這4個(gè)相同的POI聚集主要發(fā)生在交通樞紐;(2)匯聚模式出現(xiàn)的時(shí)刻主要為早晚高峰,也就是交通樞紐最繁忙的時(shí)間段,但是有一半的聚集模式發(fā)生的時(shí)間段在凌晨,主要是交通樞紐的停車區(qū)域;(3)從群體模式規(guī)模上來(lái)看,匯聚模式普遍大于聚集模式。

    之所以有這樣的差異,和兩種模式的定義有關(guān)。聚集模式主要考慮各個(gè)時(shí)刻移動(dòng)群體的聚集狀態(tài),而不考慮聚集的運(yùn)動(dòng)過程及方向,這就出現(xiàn)了聚集模式無(wú)法解決的“停車場(chǎng)”問題。移動(dòng)群體在早晚高峰期的交通路口減速慢行或者等待紅綠燈時(shí),被識(shí)別成一個(gè)密集區(qū)域。按照聚集模式定義,持續(xù)一段時(shí)間這樣的群體聚集行為被識(shí)別為聚集模式。而匯聚模式關(guān)注于聚集形成的運(yùn)動(dòng)過程,很自然地類似“停車場(chǎng)”這樣的模式都被過濾掉,所以最終的挖掘結(jié)果質(zhì)量比較高。

    3.4 算法效率

    本節(jié)將比較兩種模式挖掘算法的執(zhí)行效率。 分別比較1 000條、2 000條、3 000條、4 000條和5 000條軌跡數(shù)據(jù)的測(cè)試結(jié)果。如圖5所示,同樣數(shù)據(jù)量情況下匯聚模式挖掘算法CPM比聚集模式挖掘算法TAD[4]效率更高,并且十分明顯。因而,在算法整體運(yùn)行時(shí)間上CPM算法優(yōu)勢(shì)明顯。

    為了進(jìn)一步發(fā)現(xiàn)兩種挖掘算法性能差異的原因,本文實(shí)驗(yàn)將挖掘算法分為兩個(gè)階段,分別是預(yù)處理階段和模式挖掘階段。R樹索引僅在兩種模式的挖掘階段被使用。如圖6所示,首先可以發(fā)現(xiàn)隨著數(shù)據(jù)量的增加兩種算法各階段的執(zhí)行時(shí)間均隨之增加。在兩種模式的4個(gè)階段中,聚集模式的預(yù)處理階段最耗時(shí),這是由于該階段需要進(jìn)行DBSCAN聚類計(jì)算,該計(jì)算的時(shí)間復(fù)雜度較高(具有索引支撐的DBSCAN時(shí)間復(fù)雜度為O(nlogn),否則為O(n2)。其次,發(fā)現(xiàn)聚集模式的TAD算法對(duì)于數(shù)據(jù)集的增加比較敏感。這主要是TAD算法中包含了較為耗時(shí)的豪斯多夫距離計(jì)算,時(shí)間復(fù)雜度為O(mn)。所以,在聚集模式挖掘中采用了聚類算法和豪斯多夫距離計(jì)算兩種耗時(shí)的計(jì)算步驟,這是影響挖掘算法效率的主要因素。

    圖5 不同數(shù)據(jù)量的算法效率比較 圖6 不同數(shù)據(jù)量的算法各階段效率比較Fig.5 Performance comparison of algorithms under data size Fig.6 Performance comparison of stages under data size

    4 結(jié)束語(yǔ)

    本文提出了一種基于群體運(yùn)動(dòng)過程建模的時(shí)空軌跡匯聚模式。該模式定義可以有效地解決現(xiàn)有聚集模式和伴隨模式挖掘中無(wú)法避免的“停車場(chǎng)”問題?;诖四J蕉x設(shè)計(jì)并實(shí)現(xiàn)了匯聚模式挖掘算法CPM。該算法首先使用算法DPQ定位密度峰值點(diǎn),并以此作為候選的匯聚中心區(qū)域,然后使用算法CGM識(shí)別單一時(shí)刻的向心匯聚群體。最后將CGM算法應(yīng)用到連續(xù)時(shí)間片上,挖掘出所有滿足規(guī)模性和持續(xù)性要求的匯聚模式。為了驗(yàn)證本文提出的匯聚模式及其算法的優(yōu)越性,本文以真實(shí)的軌跡數(shù)據(jù)進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)表明本文提出的匯聚模式及其算法在挖掘效果和算法效率兩方面都明顯優(yōu)于現(xiàn)有的聚集模式的挖掘方法。

    參考文獻(xiàn):

    [1] Zheng Y. Trajectory data mining: An overview[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2015, 6(3): 1-29,41.

    [2] 吉根林, 趙斌. 時(shí)空軌跡大數(shù)據(jù)模式挖掘研究進(jìn)展[J]. 數(shù)據(jù)采集與處理, 2015, 30(1): 47-58.

    Ji Genlin, Zhao Bin. Research progress in pattern mining for big spatio-temporal trajectories[J].Journal of Data Acquision and Processing,2015,30(1):47-58.

    [3] Laube P, Marc V K, Stephan I. Finding REMO-detecting relative motion patterns in geospatial lifelines [M]. Berlin: Springer, 2005: 201-215.

    [4] Zheng K, Zheng Y, Yuan N J, et al. On discovery of gathering patterns from trajectories[C]// IEEE 29th International Conference on Data Engineering. Brisbane, Australia:[s.n], 2013: 242-253.

    [5] Zheng K, Zheng Y, Yuan N J, et al. Online discovery of gathering patterns over trajectories[J]. IEEE Transactions on Knowledge and Data Engineering, 2013, 8(26): 1974-1988.

    [6] Hong L, Zheng Y, Yung D, et al. Detecting urban black holes based on human mobility data[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems. Bellevue, WA, USA:[s.n], 2015, 35:1-10.

    [7] Benkert M, Gudmundsson J, Hübner F, et al. Reporting flock patterns[C]//European Symposium on Algorithms. Zurich, Switzerland:[s.n], 2006: 660-671.

    [8] Vieira M R, Bakalov P, Tsotras V J. On-line discovery of flock patterns in spatio-temporal data[C]//Proceedings of the 17th ACM SIGSPATIAL International Conference On Advances In Geographic Information Systems. Seattle, Washington, USA:[s.n], 2009: 286-295.

    [9] Gudmundsson J, Kreveld M J. Computing longest duration flocks in trajectory data[C]//Proceedings of the 14th Annual ACM International Symposium on Advances In Geographic Information Systems. Arlington, Virginia, USA:[s.n], 2006: 35-42.

    [10] Kalnis P, Mamoulis N, Bakiras S. On discovering moving clusters in spatio-temporal data[C]//International Symposium on Spatial and Temporal Databases. Angra dos Reis, Brazil:[s.n], 2005: 364-381.

    [11] Jeung H, Yiu M L, Zhou X, et al. Discovery of convoys in trajectory databases[J]. Proceedings of the VLDB Endowment, 2008, 1(1): 1068-1080.

    [12] Jeung H, Shen H T, Zhou X. Convoy queries in spatio-temporal databases[C]//2008 IEEE 24th International Conference on Data Engineering. Cancun, Mexico:[s.n], 2008: 1457-1459.

    [13] Li Z H, Ding B L, Han J W, et al. Swarm: Mining relaxed temporal moving object clusters[J]. Proceedings of the VLDB Endowment, 2010, 3(1/2): 723-734.

    [14] Tang L A, Zheng Y, Yuan J, et al. On discovery of traveling companions from streaming trajectories[C]//2012 IEEE 28th International Conference on Data Engineering. Washington D C, USA:IEEE, 2012: 186-197.

    [15] Rodriguez A, Laio A. Clustering by fast search and find of density peaks[J]. Science, 2014, 344(6191): 1492-1496.

    猜你喜歡
    時(shí)刻軌跡閾值
    冬“傲”時(shí)刻
    捕獵時(shí)刻
    軌跡
    軌跡
    小波閾值去噪在深小孔鉆削聲發(fā)射信號(hào)處理中的應(yīng)用
    基于自適應(yīng)閾值和連通域的隧道裂縫提取
    軌跡
    比值遙感蝕變信息提取及閾值確定(插圖)
    河北遙感(2017年2期)2017-08-07 14:49:00
    進(jìn)化的軌跡(一)——進(jìn)化,無(wú)盡的適應(yīng)
    室內(nèi)表面平均氡析出率閾值探討
    香蕉久久夜色| 欧美日韩亚洲国产一区二区在线观看| 午夜影院日韩av| 免费在线观看视频国产中文字幕亚洲| 欧美成人午夜精品| 日本黄色视频三级网站网址| 国产精品国产高清国产av| 国内精品久久久久精免费| 听说在线观看完整版免费高清| 亚洲美女视频黄频| 女人高潮潮喷娇喘18禁视频| 色哟哟哟哟哟哟| 美女免费视频网站| 一二三四社区在线视频社区8| 久久久水蜜桃国产精品网| 97人妻精品一区二区三区麻豆| 国产精品1区2区在线观看.| 中文资源天堂在线| 怎么达到女性高潮| 精品第一国产精品| 看免费av毛片| 欧美日韩精品网址| 亚洲中文字幕日韩| 超碰成人久久| 欧美一级毛片孕妇| 女警被强在线播放| 免费在线观看亚洲国产| 真人一进一出gif抽搐免费| 欧美色视频一区免费| 成人三级做爰电影| 欧美大码av| 精品一区二区三区av网在线观看| 日本一区二区免费在线视频| 亚洲av第一区精品v没综合| 99国产综合亚洲精品| 久久精品综合一区二区三区| 真人一进一出gif抽搐免费| 国产av一区在线观看免费| 日日爽夜夜爽网站| 久久久精品大字幕| 女人被狂操c到高潮| 香蕉国产在线看| 黄片大片在线免费观看| 99久久无色码亚洲精品果冻| 日韩大码丰满熟妇| 91麻豆av在线| www日本在线高清视频| 好男人电影高清在线观看| 欧美三级亚洲精品| 久久国产精品人妻蜜桃| 正在播放国产对白刺激| www国产在线视频色| 午夜久久久久精精品| 久久久久国产精品人妻aⅴ院| 日韩欧美精品v在线| 国产黄a三级三级三级人| 丝袜美腿诱惑在线| 日本免费一区二区三区高清不卡| 在线视频色国产色| 精品电影一区二区在线| 在线永久观看黄色视频| av有码第一页| 日本a在线网址| 国产一区在线观看成人免费| 神马国产精品三级电影在线观看 | 国产亚洲精品av在线| 日本一本二区三区精品| 天堂影院成人在线观看| 国产人伦9x9x在线观看| 搡老熟女国产l中国老女人| 又紧又爽又黄一区二区| 老熟妇仑乱视频hdxx| 一边摸一边做爽爽视频免费| 特级一级黄色大片| 无限看片的www在线观看| 欧美日韩精品网址| 久久久久久免费高清国产稀缺| 亚洲av成人不卡在线观看播放网| 久久精品aⅴ一区二区三区四区| 91成年电影在线观看| 亚洲九九香蕉| 制服丝袜大香蕉在线| 露出奶头的视频| 午夜福利免费观看在线| 亚洲av日韩精品久久久久久密| 一个人免费在线观看电影 | 高清在线国产一区| 欧美成人午夜精品| 亚洲,欧美精品.| 男女之事视频高清在线观看| 色精品久久人妻99蜜桃| 最近最新免费中文字幕在线| 日本免费a在线| 国产成人精品久久二区二区91| 久久九九热精品免费| 国产成人一区二区三区免费视频网站| 久久伊人香网站| 久久国产精品影院| 午夜免费观看网址| 18禁美女被吸乳视频| 亚洲五月天丁香| 精品国产乱码久久久久久男人| 中文字幕熟女人妻在线| 国产精品自产拍在线观看55亚洲| 免费看美女性在线毛片视频| 色精品久久人妻99蜜桃| 国产熟女午夜一区二区三区| 亚洲男人的天堂狠狠| 又紧又爽又黄一区二区| 变态另类丝袜制服| av片东京热男人的天堂| 成人精品一区二区免费| 在线观看免费视频日本深夜| 亚洲电影在线观看av| 久久香蕉精品热| 好男人电影高清在线观看| av中文乱码字幕在线| 黄色女人牲交| 国产成人精品久久二区二区91| 首页视频小说图片口味搜索| 国产亚洲av高清不卡| 天堂√8在线中文| tocl精华| 熟妇人妻久久中文字幕3abv| 男女做爰动态图高潮gif福利片| 亚洲五月天丁香| 中出人妻视频一区二区| 国产又黄又爽又无遮挡在线| 99久久99久久久精品蜜桃| 亚洲在线自拍视频| 看片在线看免费视频| 在线十欧美十亚洲十日本专区| 在线十欧美十亚洲十日本专区| 日韩免费av在线播放| 在线视频色国产色| 五月玫瑰六月丁香| 国产成人精品久久二区二区91| 伦理电影免费视频| 日本免费一区二区三区高清不卡| 啪啪无遮挡十八禁网站| 欧美一级a爱片免费观看看 | 两人在一起打扑克的视频| 欧美精品啪啪一区二区三区| 免费电影在线观看免费观看| 99riav亚洲国产免费| 欧美日韩亚洲国产一区二区在线观看| 国产又黄又爽又无遮挡在线| 一级毛片女人18水好多| 精品久久久久久久人妻蜜臀av| 黑人操中国人逼视频| 一级黄色大片毛片| av中文乱码字幕在线| www.999成人在线观看| 一进一出抽搐动态| www日本在线高清视频| 久久这里只有精品中国| 亚洲精品中文字幕一二三四区| 婷婷精品国产亚洲av在线| 久久欧美精品欧美久久欧美| 黄色视频不卡| a在线观看视频网站| 久久精品成人免费网站| 五月玫瑰六月丁香| 天天添夜夜摸| 在线观看免费日韩欧美大片| 狂野欧美白嫩少妇大欣赏| √禁漫天堂资源中文www| 啦啦啦韩国在线观看视频| 特级一级黄色大片| 午夜福利高清视频| 51午夜福利影视在线观看| 狂野欧美激情性xxxx| 亚洲国产精品合色在线| 国产高清视频在线观看网站| 成人三级做爰电影| 欧美三级亚洲精品| 久久久久久久久久黄片| 国产精品久久久久久人妻精品电影| 欧美乱妇无乱码| 久久久精品国产亚洲av高清涩受| 校园春色视频在线观看| 久久久久久久久中文| 一区二区三区高清视频在线| 精品乱码久久久久久99久播| 亚洲一码二码三码区别大吗| 日本一区二区免费在线视频| 日日夜夜操网爽| 国产精品影院久久| or卡值多少钱| 美女 人体艺术 gogo| 男女那种视频在线观看| 国产伦一二天堂av在线观看| 国产精品免费视频内射| 伊人久久大香线蕉亚洲五| 99热只有精品国产| 久久久久久久精品吃奶| 午夜精品久久久久久毛片777| xxx96com| 欧美在线黄色| 久久这里只有精品19| 无限看片的www在线观看| 日韩成人在线观看一区二区三区| 天堂动漫精品| 色综合站精品国产| 99久久无色码亚洲精品果冻| 午夜福利视频1000在线观看| 日本撒尿小便嘘嘘汇集6| 欧美最黄视频在线播放免费| 麻豆久久精品国产亚洲av| 亚洲九九香蕉| 免费一级毛片在线播放高清视频| 免费电影在线观看免费观看| 成熟少妇高潮喷水视频| 午夜福利高清视频| 国产精品爽爽va在线观看网站| 日本一区二区免费在线视频| 成人18禁高潮啪啪吃奶动态图| 9191精品国产免费久久| 亚洲一区二区三区色噜噜| avwww免费| 免费观看人在逋| 成人国语在线视频| 久久久久久久久中文| 波多野结衣高清无吗| 舔av片在线| 亚洲国产精品久久男人天堂| 国产精品1区2区在线观看.| 亚洲精品久久成人aⅴ小说| 麻豆国产97在线/欧美 | 午夜福利免费观看在线| 俺也久久电影网| 亚洲精品国产一区二区精华液| 在线十欧美十亚洲十日本专区| av欧美777| 热99re8久久精品国产| 午夜激情av网站| 欧美黑人欧美精品刺激| 在线观看日韩欧美| 亚洲 欧美一区二区三区| 少妇熟女aⅴ在线视频| 黄色成人免费大全| av天堂在线播放| 天堂√8在线中文| a在线观看视频网站| 99热这里只有精品一区 | 999精品在线视频| 欧美成人性av电影在线观看| 一级毛片高清免费大全| 男女床上黄色一级片免费看| 午夜久久久久精精品| 国产精品影院久久| 91av网站免费观看| 亚洲免费av在线视频| 中文字幕久久专区| 曰老女人黄片| 国产亚洲精品第一综合不卡| 淫秽高清视频在线观看| 久久久国产成人免费| 国产aⅴ精品一区二区三区波| 婷婷亚洲欧美| 国产高清激情床上av| 午夜精品在线福利| 在线a可以看的网站| av在线天堂中文字幕| 制服人妻中文乱码| 美女大奶头视频| 狂野欧美白嫩少妇大欣赏| 亚洲自偷自拍图片 自拍| 色在线成人网| 国产蜜桃级精品一区二区三区| 母亲3免费完整高清在线观看| 啪啪无遮挡十八禁网站| 国产视频内射| 最新美女视频免费是黄的| 日本熟妇午夜| 日韩 欧美 亚洲 中文字幕| 在线观看美女被高潮喷水网站 | 国产精品日韩av在线免费观看| 国内精品久久久久久久电影| 又黄又粗又硬又大视频| 亚洲全国av大片| 国产精品久久久人人做人人爽| 少妇裸体淫交视频免费看高清 | 特大巨黑吊av在线直播| 特级一级黄色大片| 国产又色又爽无遮挡免费看| 成年免费大片在线观看| 欧美又色又爽又黄视频| 久99久视频精品免费| 午夜激情av网站| 十八禁网站免费在线| 很黄的视频免费| 国产精品野战在线观看| 在线a可以看的网站| 国内揄拍国产精品人妻在线| 国产精品av久久久久免费| 国内精品久久久久久久电影| 中文字幕av在线有码专区| 美女免费视频网站| 两性夫妻黄色片| 亚洲av五月六月丁香网| 大型av网站在线播放| 亚洲av成人一区二区三| 日韩三级视频一区二区三区| 精品一区二区三区av网在线观看| 亚洲精品色激情综合| √禁漫天堂资源中文www| 少妇人妻一区二区三区视频| 两人在一起打扑克的视频| 久久久久久九九精品二区国产 | 亚洲国产日韩欧美精品在线观看 | 久久亚洲真实| 欧美成人免费av一区二区三区| 午夜日韩欧美国产| 亚洲自拍偷在线| 搡老妇女老女人老熟妇| 国产人伦9x9x在线观看| 日韩成人在线观看一区二区三区| 香蕉国产在线看| 国产伦在线观看视频一区| 丁香欧美五月| 欧美日韩亚洲综合一区二区三区_| 午夜精品在线福利| 精品国产乱子伦一区二区三区| 在线观看www视频免费| 国产高清视频在线观看网站| 在线观看免费午夜福利视频| 欧美 亚洲 国产 日韩一| 久久久久久久午夜电影| 一级毛片高清免费大全| 久久久久久大精品| 中文字幕av在线有码专区| 亚洲熟妇熟女久久| 久久 成人 亚洲| 久久久水蜜桃国产精品网| 精品一区二区三区av网在线观看| 男女床上黄色一级片免费看| 啦啦啦观看免费观看视频高清| 欧美黄色片欧美黄色片| 黄色a级毛片大全视频| 宅男免费午夜| 九色国产91popny在线| 亚洲激情在线av| 亚洲国产精品久久男人天堂| 亚洲成人精品中文字幕电影| 国产成人影院久久av| 看免费av毛片| 91字幕亚洲| 哪里可以看免费的av片| 成年人黄色毛片网站| 久久久久精品国产欧美久久久| 日本黄大片高清| 亚洲国产欧洲综合997久久,| 国产亚洲欧美98| 在线观看免费视频日本深夜| 麻豆国产97在线/欧美 | svipshipincom国产片| 亚洲va日本ⅴa欧美va伊人久久| 国产主播在线观看一区二区| 亚洲黑人精品在线| 亚洲第一电影网av| 女同久久另类99精品国产91| 国产免费av片在线观看野外av| 国产69精品久久久久777片 | 在线a可以看的网站| 国产91精品成人一区二区三区| 夜夜爽天天搞| 久久热在线av| ponron亚洲| 成人午夜高清在线视频| 国产又黄又爽又无遮挡在线| 一区二区三区高清视频在线| 欧美乱妇无乱码| 国产一区二区三区视频了| 免费人成视频x8x8入口观看| 一区二区三区国产精品乱码| 亚洲国产精品sss在线观看| 51午夜福利影视在线观看| 又爽又黄无遮挡网站| 亚洲国产精品合色在线| 少妇人妻一区二区三区视频| 99riav亚洲国产免费| 日日夜夜操网爽| 日韩欧美精品v在线| 久久这里只有精品19| 身体一侧抽搐| 啪啪无遮挡十八禁网站| 高潮久久久久久久久久久不卡| 一进一出抽搐gif免费好疼| 亚洲精品美女久久久久99蜜臀| 免费在线观看亚洲国产| 午夜日韩欧美国产| 国产av一区二区精品久久| 免费在线观看亚洲国产| 国产精品一区二区精品视频观看| 深夜精品福利| 又爽又黄无遮挡网站| 一进一出抽搐gif免费好疼| 俺也久久电影网| av福利片在线观看| 丝袜美腿诱惑在线| 国产成人av激情在线播放| 99久久久亚洲精品蜜臀av| 日日干狠狠操夜夜爽| 亚洲精品国产一区二区精华液| 久久香蕉精品热| 99在线人妻在线中文字幕| 中出人妻视频一区二区| 成人特级黄色片久久久久久久| 精品国产乱码久久久久久男人| xxx96com| 男女床上黄色一级片免费看| 精品高清国产在线一区| 搡老妇女老女人老熟妇| 在线观看66精品国产| 禁无遮挡网站| 伊人久久大香线蕉亚洲五| 97超级碰碰碰精品色视频在线观看| 伊人久久大香线蕉亚洲五| 制服诱惑二区| 超碰成人久久| 午夜a级毛片| tocl精华| 亚洲午夜理论影院| 国产蜜桃级精品一区二区三区| 午夜福利视频1000在线观看| 亚洲自偷自拍图片 自拍| 宅男免费午夜| 最新在线观看一区二区三区| 99久久久亚洲精品蜜臀av| 18禁黄网站禁片午夜丰满| 18禁观看日本| 精品欧美国产一区二区三| 老司机在亚洲福利影院| 老汉色av国产亚洲站长工具| 欧美3d第一页| 亚洲专区国产一区二区| 日韩三级视频一区二区三区| 欧美成人免费av一区二区三区| 日韩免费av在线播放| 一边摸一边抽搐一进一小说| 国产亚洲精品综合一区在线观看 | 老司机午夜福利在线观看视频| 久久精品夜夜夜夜夜久久蜜豆 | 亚洲自偷自拍图片 自拍| 亚洲av日韩精品久久久久久密| 香蕉久久夜色| 日韩欧美精品v在线| 久久性视频一级片| 91九色精品人成在线观看| 欧美午夜高清在线| 精品午夜福利视频在线观看一区| 人人妻,人人澡人人爽秒播| 一本久久中文字幕| 曰老女人黄片| 男女之事视频高清在线观看| 国产精品电影一区二区三区| 五月伊人婷婷丁香| 可以在线观看的亚洲视频| 久久久久久免费高清国产稀缺| 国产成人精品久久二区二区91| 少妇熟女aⅴ在线视频| 精品国产乱码久久久久久男人| 亚洲 欧美一区二区三区| 人人妻人人澡欧美一区二区| 欧美一区二区国产精品久久精品 | 777久久人妻少妇嫩草av网站| 久久香蕉国产精品| 日韩欧美在线二视频| 欧美+亚洲+日韩+国产| 色精品久久人妻99蜜桃| 精品国产乱子伦一区二区三区| 日韩精品免费视频一区二区三区| 精品熟女少妇八av免费久了| 夜夜看夜夜爽夜夜摸| 老鸭窝网址在线观看| 手机成人av网站| 中亚洲国语对白在线视频| 欧美日韩精品网址| 狠狠狠狠99中文字幕| 99国产精品99久久久久| 亚洲激情在线av| 欧美一级毛片孕妇| 欧美+亚洲+日韩+国产| 一边摸一边抽搐一进一小说| 特级一级黄色大片| 国产三级黄色录像| √禁漫天堂资源中文www| 精品久久久久久,| 久久久久性生活片| 国产又色又爽无遮挡免费看| 精品国产乱子伦一区二区三区| 极品教师在线免费播放| 国产亚洲精品一区二区www| 亚洲九九香蕉| 9191精品国产免费久久| 亚洲av成人av| 日韩欧美国产在线观看| 18禁黄网站禁片免费观看直播| 在线观看免费午夜福利视频| 成人国产综合亚洲| 俄罗斯特黄特色一大片| 国产精品野战在线观看| 丰满人妻一区二区三区视频av | 亚洲精品在线观看二区| 一进一出抽搐动态| 伊人久久大香线蕉亚洲五| 可以在线观看的亚洲视频| 久久久久久九九精品二区国产 | 国产免费男女视频| 黄片小视频在线播放| 蜜桃久久精品国产亚洲av| 免费看a级黄色片| 亚洲五月婷婷丁香| 亚洲熟女毛片儿| 欧美乱妇无乱码| 亚洲精品中文字幕在线视频| 一本久久中文字幕| 麻豆成人av在线观看| 在线观看午夜福利视频| 欧美成人午夜精品| 成人手机av| 亚洲精品一区av在线观看| www.精华液| 国产亚洲欧美在线一区二区| 成年版毛片免费区| 99久久国产精品久久久| 男女做爰动态图高潮gif福利片| 久久 成人 亚洲| 免费人成视频x8x8入口观看| 午夜福利高清视频| 日韩欧美在线二视频| 久久精品综合一区二区三区| 亚洲欧美精品综合一区二区三区| 国产成人aa在线观看| 日本 av在线| 精品高清国产在线一区| 在线观看午夜福利视频| 国产亚洲精品第一综合不卡| 国产在线精品亚洲第一网站| 亚洲av第一区精品v没综合| 熟女电影av网| 亚洲成av人片免费观看| 麻豆久久精品国产亚洲av| 日本 欧美在线| 香蕉久久夜色| 免费观看人在逋| 中文字幕高清在线视频| 国产精品久久久久久精品电影| 欧美黄色淫秽网站| 999久久久国产精品视频| 亚洲成av人片免费观看| 国产99白浆流出| 18美女黄网站色大片免费观看| 久久国产精品影院| 给我免费播放毛片高清在线观看| 国产视频一区二区在线看| 亚洲成av人片免费观看| 久久久久久人人人人人| 无人区码免费观看不卡| 麻豆久久精品国产亚洲av| 两个人视频免费观看高清| 婷婷精品国产亚洲av| 国产精华一区二区三区| 色哟哟哟哟哟哟| 欧美乱妇无乱码| 老司机靠b影院| 久久精品成人免费网站| 黄色成人免费大全| 免费看美女性在线毛片视频| 在线国产一区二区在线| 亚洲国产欧美人成| 成人精品一区二区免费| 亚洲人成77777在线视频| 丁香六月欧美| 成在线人永久免费视频| 日韩国内少妇激情av| 人成视频在线观看免费观看| 动漫黄色视频在线观看| 男插女下体视频免费在线播放| 此物有八面人人有两片| 欧美久久黑人一区二区| av视频在线观看入口| 天天躁夜夜躁狠狠躁躁| 日本在线视频免费播放| 欧美日韩亚洲综合一区二区三区_| 日本成人三级电影网站| 黄色片一级片一级黄色片| 国产一区在线观看成人免费| 国产av一区在线观看免费| 久久精品影院6| 女人爽到高潮嗷嗷叫在线视频| 91av网站免费观看| 欧美性长视频在线观看| 欧美zozozo另类| 免费无遮挡裸体视频| 成人午夜高清在线视频| 成年版毛片免费区| 国产精华一区二区三区| 麻豆久久精品国产亚洲av| 午夜激情福利司机影院| 国产在线观看jvid| 国产久久久一区二区三区| 国产91精品成人一区二区三区| 高潮久久久久久久久久久不卡| 欧美性猛交黑人性爽| 欧美日韩瑟瑟在线播放| 亚洲五月婷婷丁香| 在线观看一区二区三区| 久久精品国产综合久久久| 欧美色视频一区免费| 国产精品久久久久久精品电影| 两性午夜刺激爽爽歪歪视频在线观看 | 久久久国产欧美日韩av| 免费看日本二区|