• <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 ?

    基于改進模糊支持向量回歸模型的機場能源需求預(yù)測

    2016-05-14 11:07:05王坤員曉陽王力
    計算機應(yīng)用 2016年5期
    關(guān)鍵詞:支持向量機

    王坤 員曉陽 王力

    摘要:針對離群點在機場能源數(shù)據(jù)的預(yù)測和分析中存在干擾等問題,建立了一種基于改進模糊支持向量回歸(FSVR)的機場能源需求預(yù)測模型。首先,采用模糊統(tǒng)計法對測試樣本集、系統(tǒng)參數(shù)和模型輸出進行分析,推導(dǎo)出符合其數(shù)據(jù)分布的基本隸屬函數(shù)形式;其次,結(jié)合例證法、專家經(jīng)驗法對隸屬函數(shù)進行“再學(xué)習(xí)”,逐步修改和完善正態(tài)隸屬函數(shù)a、b參數(shù)值,半梯形隸屬函數(shù)邊界參數(shù)值及三角隸屬函數(shù)p、d參數(shù)值,以此消除或減少不利數(shù)據(jù)挖掘的離群點,同時保留有效關(guān)鍵點;最后,結(jié)合支持向量回歸(SVR)算法,建立預(yù)測模型,并驗證了該模型的可行性。實驗結(jié)果表明,與反向傳播(BP)神經(jīng)網(wǎng)絡(luò)方法相比,F(xiàn)SVR方法的預(yù)測準(zhǔn)確率提高了2.66%,對離群點的識別率提高了3.72%。

    關(guān)鍵詞:機場能源需求預(yù)測;模糊支持向量回歸;支持向量機;模糊隸屬度;離群點

    中圖分類號:TP181 文獻標(biāo)志碼:A

    Abstract:Focused on the issue that interference would exist in the analysis and prediction of airport energy data because of the outliers, a prediction model based on improved Fuzzy Support Vector Regression (FSVR) was established for the demand of airport energy. Firstly, a fuzzy statistical method was selected to make an analysis on test sample sets, parameters and the outputs of models, and a basic membership function form consistent with the data distribution would be derived from this analysis. Secondly, relearning of membership function would be performed with respect to expert experiences, then the parameter values a and b of the normal membership function, the boundary parameter values of semitrapezoid membership function and the parameter values p and d of triangular membership function would gradually be refined and improved, so as to eliminate or reduce the outliers which were not conducive to data mining and reserved the key points. Finally, combined with Support Vector Regression (SVR) algorithm, a prediction model was established and its feasibility was verified subsequently. The experimental result shows that, compared with Back Propagation (BP) neural network, the prediction accuracy of the FSVR increases 2.66% and the recognition rate of outliers increases 3.72%.

    Key words:airport energy demand prediction; Fuzzy Support Vector Regression (FSVR); Support Vector Machine (SVM); fuzzy membership; outlier

    0 引言

    改革開放30多年來,中國民航業(yè)持續(xù)快速發(fā)展,航線網(wǎng)絡(luò)不斷擴大,機場地面的基礎(chǔ)設(shè)施建設(shè)取得重大進展,其能源消耗也隨之增加。2007年初,民航局適時提出綠色機場體系,加強對能源消耗的改造與優(yōu)化[1]。然而面對機場如此龐大而且復(fù)雜的能源系統(tǒng),要實現(xiàn)綠色、安全、穩(wěn)定可靠的運行,需要科研人員進行細(xì)致的調(diào)研規(guī)劃,以及科學(xué)合理的設(shè)計。

    現(xiàn)如今,普遍認(rèn)可的傳統(tǒng)預(yù)測方法有趨勢外推法、消費彈性法、主要消耗部門預(yù)測法、回歸分析法等[2]。而后出現(xiàn)的反向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò),適用于輸入輸出為非線性關(guān)系且訓(xùn)練數(shù)據(jù)集充足的情況下[3]。我國機場記錄的能源歷史數(shù)據(jù)過少,且存在一些被噪聲影響的離群點,針對這種情況,若采用神經(jīng)網(wǎng)絡(luò)往往因為訓(xùn)練不充足,導(dǎo)致結(jié)果不準(zhǔn)確,泛化能力不夠強甚至出現(xiàn)過擬合的缺點。支持向量回歸(Support Vector Regression,SVR)是支持向量機(Support Vector Machine, SVM)在回歸問題中的推廣, 在小樣本信息的情況下,能夠通過復(fù)雜的核學(xué)習(xí)能力尋得最佳方案,從而獲得最好的推廣能力[4]。但SVR訓(xùn)練樣本中存在的不確定因素以及離群點的挖掘常常不令人滿意[5]。Lin等[6]提出的模糊支持向量回歸(Fuzzy Support Vector Regression, FSVR)方法,綜合了支持向量回歸和模糊集理論的優(yōu)勢,在解凸二次規(guī)劃問題時具有更好的泛化能力以及抗噪聲能力。在模糊支持向量回歸算法中,隸屬度函數(shù)是樣本點離群程度的最客觀反映[7]。雖然目前隸屬度函數(shù)的構(gòu)造方法多種多樣,但一直沒有形成統(tǒng)一的準(zhǔn)則。

    機場運行能源系統(tǒng)歷史數(shù)據(jù)記錄少,各影響因素復(fù)雜多變且相互滲透,導(dǎo)致一些離群點的出現(xiàn)。這些離群點大多屬于異常數(shù)據(jù),是冗余的,并沒有實際的研究價值,但某些離群點卻攜帶了極重要的隱藏信息,對機場運行能源消耗的數(shù)據(jù)挖掘有很大的幫助。在實際的管理工作中,機場人員在對相關(guān)數(shù)據(jù)進行分析時,大多仍采用人工統(tǒng)計的方法,對離群點的處理也比較粗糙,往往容易忽略掉某些極具研究價值的離群點,這無疑會對研究結(jié)果造成干擾。本文采用模糊支持向量回歸算法對某機場航站樓的用電需求進行建模,通過分析幾種常用隸屬函數(shù),并結(jié)合所提供的樣本數(shù)據(jù)的特點,分別為樣本集、模型參數(shù)以及輸出預(yù)測值設(shè)計了不同的模糊隸屬函數(shù),并對預(yù)測模型的參數(shù)進行了改進,將噪聲數(shù)據(jù)的干擾程度降低,減少離群點樣本的影響,使其更加符合機場能源預(yù)測的需求。實驗結(jié)果顯示該方法的回歸效果理想。最后,對2016年6月份用電需求進行了預(yù)測,驗證了所建模型的可用性和準(zhǔn)確性,為機場管理者在能源管理中提供有效的決策支持。

    1.2 模糊支持向量回歸算法

    2002年Lin等[6]提出了模糊支持向量機(Fuzzy Support Vector Machine, FSVM)方法,通過給訓(xùn)練樣本增加一個模糊隸屬關(guān)系來對樣本的隱含信息加以充分利用,對解決在實際應(yīng)用中遇到的多分類問題有很大幫助。借鑒FSVM能夠很好地改善模型的分類能力,把模糊隸屬度應(yīng)用到SVR中,提出了模糊支持向量回歸(FSVR)。模糊隸屬度的確定對FSVR的抗噪能力以及預(yù)測精度的提高有很大幫助。

    通過隸屬函數(shù)方法可以對現(xiàn)實生活中的某些不確定性因素近似逼近。由于機場能源歷史數(shù)據(jù)較少,而且存在大量的孤立點,引入模糊隸屬度概念可以很好地降低甚至消除這些點對預(yù)測結(jié)果的影響。在本文中,將對樣本集、模型參數(shù)以及模型輸出建立各自的模糊隸屬函數(shù),可以有效降低樣本中離群點對模型準(zhǔn)確性的影響。

    2 改進的模糊支持向量回歸模型的建立

    目前,機場能源系統(tǒng)中存儲的有效歷史數(shù)據(jù)多為人工抄錄整理,不僅數(shù)據(jù)量偏少,而且存在大量的離群數(shù)據(jù)。這些離群點中有些受噪聲影響過大,在能源預(yù)測建模的過程中,這無疑會對系統(tǒng)造成干擾,出現(xiàn)過擬合現(xiàn)象,降低預(yù)測精度。而有些離群點卻可能隱藏了重要的信息,具有比一般數(shù)據(jù)更高的研究價值,在建模過程中如果忽略這些點,對預(yù)測結(jié)果的精確度也無疑是一種損失。針對這一問題,可以通過構(gòu)造一系列能夠客觀反映各樣本點離群程度的模糊隸屬函數(shù),以此來降低甚至消除某些離群嚴(yán)重的點對預(yù)測結(jié)果的干擾,同時又不過分地過濾掉隱藏某些研究信息的離群點。

    2.1 隸屬函數(shù)的確定

    現(xiàn)如今,針對機場能源預(yù)測還沒有比較完善的方法,對于隸屬函數(shù)的選取,也是仍沒有一個統(tǒng)一的、廣泛適用的標(biāo)準(zhǔn),所以確定符合機場能源數(shù)據(jù)的隸屬度是本文研究的關(guān)鍵所在。一般利用經(jīng)驗并結(jié)合實際情況來確定合理的隸屬度。基于密度的離群程度表示方法現(xiàn)被大家普遍認(rèn)可[5,15],但此方法卻主要針對的是密度較高的樣本點,對于過度分散的邊緣點總是不能準(zhǔn)確的評價。同時,該方法在確定隸屬度時,也僅僅只針對訓(xùn)練樣本的輸入。這樣的結(jié)果不能體現(xiàn)出預(yù)測模型內(nèi)部結(jié)構(gòu)的聯(lián)系,對預(yù)測結(jié)果無疑是一種損失。本文針對機場能源系統(tǒng)的特點,同時考慮到樣本集的輸入、系統(tǒng)參數(shù)以及系統(tǒng)輸出數(shù)據(jù)類型之間的差異,分別設(shè)計了不同的模糊隸屬函數(shù)。通過選取的隸屬函數(shù),可將實際的數(shù)據(jù)用模糊隸屬度來代替,這樣每個樣本的孤立程度便更加清晰明了,極大地降低了離群點在樣本訓(xùn)練時對預(yù)測模型的干擾。

    在本文中,主要針對航站樓用電量進行預(yù)測分析,是根據(jù)電力消耗的歷史和現(xiàn)在的值去推測未來某一時段的消耗值。然而,在實際問題中,往往存在各種復(fù)雜因素會對用電量產(chǎn)生影響,如極端氣候因素。這類離群點數(shù)據(jù)在進行個別分析時有一定的價值,但對預(yù)測整體趨勢卻有極大的干擾。針對這樣的情況,需要采用隸屬度函數(shù)對樣本集進行修正,使其符合系統(tǒng)正常運行時的用電量狀態(tài),以此減小噪聲數(shù)據(jù)對模型構(gòu)建的干擾。

    通過模糊統(tǒng)計法對實際數(shù)據(jù)進行調(diào)研與分析,發(fā)現(xiàn)影響航站樓用電量的因素基本都呈現(xiàn)出集中、對稱、均勻變動的特點。采用正態(tài)分布函數(shù)可以將嚴(yán)重偏離的離群點數(shù)據(jù)去除,同時保留離中心很近的離群點。如氣溫這一影響因素,在本文采用的5、6月數(shù)據(jù)中基本保持在18℃~37℃,并且數(shù)據(jù)整體呈現(xiàn)出正態(tài)分布的特點。

    因此,樣本集輸入的隸屬度函數(shù)由正態(tài)分布函數(shù)定義,但a、b的值要根據(jù)樣本集中不同的影響因素的特點來確定。

    可大致描述為以下步驟:

    1)分析訓(xùn)練樣本集、模型參數(shù)、模型輸出值的數(shù)據(jù)特點,利用模糊統(tǒng)計等隸屬函數(shù)確定方法得到各自的隸屬函數(shù);

    2)通過隸屬函數(shù)把給定的訓(xùn)練樣本轉(zhuǎn)換成模糊數(shù)據(jù)集{(x1,Y*1),…,(xn,Y*n)};

    3)通過式(11)解最優(yōu)問題得到拉格朗日乘子α*i、αi;

    4)通過式(12)得出W=(w,p);

    5)選取α*i、α*j∈(0,Csi);

    6)通過式(12)計算B=(b,d);

    7)構(gòu)造模糊線性預(yù)測模型,輸出預(yù)測值。

    3 實驗驗證

    由于目前我國大部分機場的能源系統(tǒng)還在完善當(dāng)中,可用的歷史數(shù)據(jù)積累不多。在本文中,針對某機場航站樓用電需求量進行了分析,同時為保證實驗的準(zhǔn)確性,采用了兩組數(shù)據(jù)樣本集。分別是2014年6月、2015年6月用電量及其影響因素的歷史數(shù)據(jù)作為訓(xùn)練樣本集。影響用電量的六個因素作為模型的輸入,分別為日期、當(dāng)天時間段、氣象信息、氣溫、航班準(zhǔn)點率、航站樓停留人數(shù)、使用的設(shè)備技術(shù)水平,航站樓的用電量作為模型的輸出。

    表1列出了本次實驗的部分樣本集。通過隸屬函數(shù)計算出每個數(shù)據(jù)樣本的隸屬度,從而得到新的樣本集,即模糊數(shù)據(jù)集T={(x1,Y*1),(x2,Y*2),…,(x7,Y*7)}。

    表1中:M代表月份,N代表樣本個數(shù),Y(x)代表用電量,X1代表日期,X2代表當(dāng)天時間段,X3代表氣象信息,X4代表氣溫,X5代表航班準(zhǔn)點率,X6代表航站樓人數(shù),X7代表設(shè)備技術(shù)水平。時間段1、2、3、4分別代表0~6時、6~12時、12~18時、18~24時;氣象信息1、2、3、4、5、6、7、8代表晴天、多云、陰、陣雨、小雨、中雨、大雨、暴雨;設(shè)備技術(shù)水平1、2、3、4分別代表設(shè)備能效等級,數(shù)字越小,代表能耗越低。

    至此,將所求得的所有參數(shù)代回到式(11)中,便得到了本文用電量需求的預(yù)測模型。選取測試數(shù)據(jù)對模型的預(yù)測能力進行驗證,并針對同一樣本將本文所用方法與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進行對比,仿真結(jié)果如圖4、5所示。

    從圖4、5中可以看出,由于離群點的存在, BP神經(jīng)網(wǎng)絡(luò)對離群點的分布更為敏感,回歸曲線會向著離群點的位置偏移,甚至?xí)霈F(xiàn)過擬合現(xiàn)象;而FSVR相對穩(wěn)定,對離群點的抗干擾能力強。其中,圖4中a點的用電量為20350KW·h,經(jīng)分析它的影響因素,可知主要是因為當(dāng)天為節(jié)假日,航站樓出行人數(shù)增多,氣溫已達(dá)到33℃,所以耗電量增加。這類離群點屬于有效點,在能源數(shù)據(jù)的分析和預(yù)測工作中,會對結(jié)果產(chǎn)生本質(zhì)性的影響,圖5中的c點也屬于這類關(guān)鍵點,因此在本次實驗中需要對其予以保留;而圖4中的b點的用電量為34302KWh,經(jīng)分析,影響用電量增加的主要原因為當(dāng)天的氣象信息記錄為暴雨,航班延誤,航站樓等待人數(shù)隨之增加,空調(diào)及照明設(shè)備的使用比平時高出很多。這類離群點屬于失真點,它的產(chǎn)生僅僅是因為當(dāng)時的極端因素導(dǎo)致,而對整體數(shù)據(jù)的預(yù)測并沒有實質(zhì)性的影響,并且如果在預(yù)測分析時將其加入,對預(yù)測的精度會造成一定程度上的干擾。圖5中的d點同樣屬于這類離群點,在實驗中為保證結(jié)果的準(zhǔn)確性,需要消除或者抑制其出現(xiàn)。

    實驗誤差對比如表3所示,從中可以看出本文采用的FSVR預(yù)測模型的回歸效果理想,平均相對誤差能夠保持在1.61%,預(yù)測準(zhǔn)確率提高了2.66%,對離群點的識別率提高了3.72%。為了驗證本文采用的模糊隸屬度在結(jié)合支持向量機(SVM)算法上的可行性,選用最小二乘支持向量機(Least Squares Support Vector Machines,LSSVM)方法對機場能源數(shù)據(jù)再次進行預(yù)測,預(yù)測值及誤差如表4所示。

    4 結(jié)語

    本文對模糊支持向量回歸進行了改進,結(jié)合機場能源數(shù)據(jù)中存在離群點的實際特點,優(yōu)化了隸屬函數(shù)的選取方法以及預(yù)測模型的參數(shù),并且建立了能源預(yù)測模型,有效降低了離群點對預(yù)測結(jié)果的干擾。基于某機場航站樓用電量及相關(guān)數(shù)據(jù),對所建模型進行了驗證,結(jié)果表明本文所運用的預(yù)測方法克服了傳統(tǒng)SVR方法過擬合、抗噪差的問題。同時通過對比BP神經(jīng)網(wǎng)絡(luò)算法對數(shù)據(jù)的預(yù)測結(jié)果,證明了在機場能源系統(tǒng)這種非線性以及高維空間的數(shù)據(jù)預(yù)測上,該方法體現(xiàn)出有更高的預(yù)測精度,更好的泛化能力。隨著機場的不斷新建、擴建,能源的需求量也明顯增加,能夠準(zhǔn)確預(yù)測能源需求走勢,對機場的發(fā)展有非常重要的指導(dǎo)意義。

    參考文獻:

    [1]李永超.民用機場能源信息管理系統(tǒng)[D].北京:北京交通大學(xué),2010:2-4. (LI Y C. Energy information management system of civil airports[D]. Beijing: Beijing Jiaotong University,2010: 2-4.)

    [2]韓君.中國能源需求的建模與實證分析[D].蘭州:蘭州商學(xué)院,2007:10-20. (HAN J. Modeling and empirical analysis of Chinese energy demand[D].Lanzhou: Lanzhou University of Finance and Economics, 2007:10-20.)

    [3]胡雪棉,趙國浩.基于Matlab的BP神經(jīng)網(wǎng)絡(luò)煤炭需求預(yù)測模型[J].中國管理科學(xué), 2008,16(專輯):521-525. (HU X M, ZHAO G H. Forecasting model of coal demand based on Matlab BP neural network[J]. Chinese Journal of Management Science, 2008,16(Special Issue):521-525.)

    [4]KROMER P, MUSLEK P, PELIKN E, et al. Support vector regression of multiple predictive models of downward shortwave radiation[C]// IJCNN 2014: Proceedings of the IEEE 2014 International Joint Conference on Neural Networks. Piscataway, NJ: IEEE, 2014: 651-657.

    [5]陳海燕,楊冰欣,徐濤,等.基于模糊支持向量回歸的機場噪聲預(yù)測[J].南京航空航天大學(xué)學(xué)報,2013,45(5):722-726. (CHEN H Y, YANG B X, XU T, et al. Airport noise prediction based on fuzzy support vector regression[J]. Journal of Nanjing University of Aeronautics & Astronautics, 2013, 45(5): 722-726.)

    [6]LIN CF, WAN SD. Fuzzy support vector machines[J]. IEEE Transactions on Neural Networks, 2002, 13(2): 464-471.

    [7]ZHANG R, DUAN XB, HAO L. Fuzzy support vector regression for function approximation with noises [C]// ICCASM 2010: Proceedings of 2010 International Conference on Computer Application and System Modeling. Piscataway, NJ: IEEE, 2010, 11: 14-17.

    [8]鄧乃揚,田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機[M].北京:科學(xué)出版社,2004:32-65.(DENG N Y, TIAN Y J. New Methods in Data Mining — Support Vector Machine (SVM)[M].Beijing: Science Press, 2004: 32-65.)

    [9]李永娜.基于支持向量機的回歸預(yù)測綜述[J].信息通信,2014(11):32-33. (LI Y N. The regression prediction reviewed based on Support Vector Machine (SVM)[J]. Information & Communications,2014(11):32-33.)

    [10]趙玉剛,鞠建波,張經(jīng)偉.基于LIBSVM 的電子設(shè)備故障預(yù)測方法研究[J].計算機測量與控制,2015,23(6):1888-1891.(ZHAO Y G, JU J B, ZHANG J W. Research on fault prediction methods of electronic device based on LIBSVM[J].Computer Measurement & Control, 2015, 23(6): 1888-1891.)

    [11]黃成泉,王士同,蔣亦樟,等.一種基于L2SVM的多視角核心向量機[J].控制與決策,2015,30(8):1356-1364. (HUANG C Q, WANG S T, JIANG Y Z, et al. A multiview core vector machine based on L2SVM [J]. Control and Decision, 2015, 30(8): 1356-1364.)

    [12]盧振興,楊志霞,高新豫.最小二乘雙支持向量回歸機[J].計算機工程與應(yīng)用,2014,50(23):140-144. (LU Z X, YANG Z X, GAO X Y. Least square twin support vector regression [J]. Computer Engineering and Applications, 2014, 50(23): 140-144.)

    [13]王楓,上官安琪,夏俊麗.基于改進支持向量機的湖北電網(wǎng)特高壓規(guī)劃研究[J]. 機電工程,2015,32(8):1141-1145. (WANG F, SHANGGUAN A Q, XIA J L. UHV planning of Hubei grid based on improved SVM [J].Journal of Mechanical & Electrical Engineering,2015,32(8):1141-1145.)

    [14]耿俊豹,孫林凱,陳是學(xué).支持向量機的混合核函數(shù)參數(shù)優(yōu)選方法[J].計算機應(yīng)用,2013,33(5):1321-1323. (GENG J B, SUN L K,CHEN S X. Parameters optimization of combined kernel function for support vector machine [J]. Journal of Computer Applications,2013,33(5):1321-1323.)

    [15]BREUNIG M M, HANSPETER KRIEGEL, NG R T, et al. LOF: identifying densitybased local outliers [C]// SIGMOD 00: Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data. New York: ACM, 2000: 93-104.

    猜你喜歡
    支持向量機
    基于支持向量回歸機的電能質(zhì)量評估
    基于智能優(yōu)化算法選擇特征的網(wǎng)絡(luò)入侵檢測
    數(shù)據(jù)挖掘技術(shù)在電廠經(jīng)濟性分析系統(tǒng)中的應(yīng)用Q
    基于改進支持向量機的船舶縱搖預(yù)報模型
    中國水運(2016年11期)2017-01-04 12:26:47
    基于SVM的煙草銷售量預(yù)測
    動態(tài)場景中的視覺目標(biāo)識別方法分析
    論提高裝備故障預(yù)測準(zhǔn)確度的方法途徑
    價值工程(2016年32期)2016-12-20 20:36:43
    基于熵技術(shù)的公共事業(yè)費最優(yōu)組合預(yù)測
    價值工程(2016年29期)2016-11-14 00:13:35
    基于支持向量機的金融數(shù)據(jù)分析研究
    管理類研究生支持向量機預(yù)測決策實驗教學(xué)研究
    考試周刊(2016年53期)2016-07-15 09:08:21
    久久久欧美国产精品| 色网站视频免费| 日本欧美国产在线视频| 街头女战士在线观看网站| 亚洲激情五月婷婷啪啪| 在线观看一区二区三区| 日本色播在线视频| 91久久精品国产一区二区三区| 91久久精品国产一区二区成人| 亚洲国产色片| 日韩欧美国产在线观看| 九九爱精品视频在线观看| 能在线免费观看的黄片| 久久久久久久久久黄片| 免费播放大片免费观看视频在线观看| 欧美日韩精品成人综合77777| 蜜臀久久99精品久久宅男| 亚洲成人av在线免费| 欧美区成人在线视频| 亚洲人成网站在线观看播放| 最近中文字幕高清免费大全6| 色哟哟·www| 亚洲精品日韩在线中文字幕| 国产老妇女一区| 色综合色国产| 在线观看人妻少妇| 嘟嘟电影网在线观看| 中文字幕久久专区| 成年女人看的毛片在线观看| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 精品国产三级普通话版| 国产高清有码在线观看视频| 欧美3d第一页| 尾随美女入室| 中文欧美无线码| 国产成人福利小说| 国产淫片久久久久久久久| 亚洲天堂国产精品一区在线| 亚洲经典国产精华液单| 精品久久久久久电影网| 六月丁香七月| 久久久久久久国产电影| 欧美激情久久久久久爽电影| 五月伊人婷婷丁香| 精品国产一区二区三区久久久樱花 | 我的女老师完整版在线观看| 亚洲婷婷狠狠爱综合网| 亚洲精品一区蜜桃| 欧美日韩综合久久久久久| 五月伊人婷婷丁香| 日韩av在线大香蕉| 亚洲久久久久久中文字幕| 国产午夜精品论理片| 日韩一本色道免费dvd| www.色视频.com| 免费观看性生交大片5| 成人性生交大片免费视频hd| 国产探花在线观看一区二区| 亚洲av日韩在线播放| 草草在线视频免费看| 偷拍熟女少妇极品色| 成人av在线播放网站| 高清毛片免费看| 成人高潮视频无遮挡免费网站| 亚洲av中文av极速乱| 国产亚洲91精品色在线| 高清欧美精品videossex| 成年av动漫网址| 国产伦在线观看视频一区| 亚洲激情五月婷婷啪啪| av在线天堂中文字幕| 国产精品美女特级片免费视频播放器| 国产精品人妻久久久久久| 中文天堂在线官网| 色综合站精品国产| 最近的中文字幕免费完整| 又爽又黄a免费视频| 成人高潮视频无遮挡免费网站| 蜜臀久久99精品久久宅男| 麻豆国产97在线/欧美| 国产亚洲av嫩草精品影院| 特大巨黑吊av在线直播| 岛国毛片在线播放| 精品一区二区免费观看| 男插女下体视频免费在线播放| 亚洲美女搞黄在线观看| av福利片在线观看| 久久久久久久久大av| 丝袜美腿在线中文| 亚洲不卡免费看| 黄色配什么色好看| 免费播放大片免费观看视频在线观看| 欧美性感艳星| 欧美日韩亚洲高清精品| .国产精品久久| 五月伊人婷婷丁香| 一本久久精品| 男女无遮挡免费网站观看| 黄色一级大片看看| 日韩制服丝袜自拍偷拍| 欧美+日韩+精品| 日韩一区二区三区影片| 热re99久久国产66热| 久久97久久精品| 制服人妻中文乱码| 有码 亚洲区| 最黄视频免费看| 精品人妻熟女毛片av久久网站| 成年av动漫网址| 在线观看国产h片| 一级毛片 在线播放| 亚洲综合色惰| 亚洲av福利一区| 欧美少妇被猛烈插入视频| 亚洲情色 制服丝袜| 免费观看性生交大片5| 国产精品久久久久久av不卡| 婷婷色综合www| 日本欧美国产在线视频| 99热全是精品| 亚洲婷婷狠狠爱综合网| videossex国产| www日本在线高清视频| 自线自在国产av| 中文字幕人妻丝袜一区二区 | 午夜av观看不卡| 亚洲精品久久午夜乱码| 国产深夜福利视频在线观看| 国产免费福利视频在线观看| 人人澡人人妻人| 亚洲成人一二三区av| 十八禁网站网址无遮挡| 极品人妻少妇av视频| 王馨瑶露胸无遮挡在线观看| 精品国产一区二区三区四区第35| 日韩av在线免费看完整版不卡| 国产视频首页在线观看| 蜜桃国产av成人99| 熟女电影av网| 中文字幕最新亚洲高清| 九九爱精品视频在线观看| 香蕉丝袜av| av网站在线播放免费| 国产精品久久久久久精品电影小说| 成年女人在线观看亚洲视频| 波多野结衣一区麻豆| 91精品国产国语对白视频| 国产深夜福利视频在线观看| 满18在线观看网站| 久久青草综合色| 国产爽快片一区二区三区| 女性生殖器流出的白浆| 自拍欧美九色日韩亚洲蝌蚪91| 丝袜脚勾引网站| 免费在线观看完整版高清| 国产一区二区三区av在线| 亚洲,一卡二卡三卡| 国产乱人偷精品视频| 人人妻人人澡人人爽人人夜夜| 亚洲av日韩在线播放| 欧美+日韩+精品| 国产精品嫩草影院av在线观看| 亚洲精品中文字幕在线视频| 蜜桃在线观看..| 欧美xxⅹ黑人| 七月丁香在线播放| 卡戴珊不雅视频在线播放| 亚洲欧美日韩另类电影网站| 国产又爽黄色视频| 91午夜精品亚洲一区二区三区| 亚洲av男天堂| 制服人妻中文乱码| 啦啦啦在线免费观看视频4| 丝袜脚勾引网站| 极品少妇高潮喷水抽搐| 免费在线观看完整版高清| 久久精品国产亚洲av高清一级| 日本色播在线视频| 亚洲欧洲精品一区二区精品久久久 | 午夜福利视频在线观看免费| 18禁国产床啪视频网站| 在线看a的网站| 91aial.com中文字幕在线观看| 可以免费在线观看a视频的电影网站 | 美女高潮到喷水免费观看| 男女边摸边吃奶| 国产一区二区在线观看av| 人人澡人人妻人| 曰老女人黄片| 在线观看人妻少妇| 在线精品无人区一区二区三| 欧美精品一区二区大全| 亚洲欧美成人综合另类久久久| 免费久久久久久久精品成人欧美视频| 国产成人a∨麻豆精品| 一区二区三区激情视频| 国产色婷婷99| 狠狠婷婷综合久久久久久88av| 亚洲天堂av无毛| 人人妻人人添人人爽欧美一区卜| 国产乱来视频区| 午夜免费观看性视频| 永久网站在线| 99久久中文字幕三级久久日本| 国产av国产精品国产| 热re99久久精品国产66热6| 欧美变态另类bdsm刘玥| 国产成人精品久久二区二区91 | 亚洲激情五月婷婷啪啪| 精品久久蜜臀av无| 天天躁日日躁夜夜躁夜夜| 日日啪夜夜爽| 久久久久久久久久人人人人人人| 极品人妻少妇av视频| 精品卡一卡二卡四卡免费| www.自偷自拍.com| 欧美激情极品国产一区二区三区| 亚洲欧洲国产日韩| 久久人人爽av亚洲精品天堂| 九色亚洲精品在线播放| 日韩电影二区| 美女大奶头黄色视频| 大片电影免费在线观看免费| 国产黄色视频一区二区在线观看| 人人妻人人爽人人添夜夜欢视频| 欧美日韩视频精品一区| 亚洲精品av麻豆狂野| 狠狠精品人妻久久久久久综合| 99国产精品免费福利视频| 国产精品偷伦视频观看了| 黄色怎么调成土黄色| 纯流量卡能插随身wifi吗| 岛国毛片在线播放| 99热国产这里只有精品6| 高清不卡的av网站| www.自偷自拍.com| 老司机影院毛片| 搡女人真爽免费视频火全软件| 王馨瑶露胸无遮挡在线观看| 成人二区视频| 久久久国产欧美日韩av| 高清不卡的av网站| 男女国产视频网站| 蜜桃国产av成人99| 国产一区二区激情短视频 | 亚洲欧美精品自产自拍| av卡一久久| 亚洲精品久久午夜乱码| 9热在线视频观看99| 欧美人与性动交α欧美软件| 少妇精品久久久久久久| a级片在线免费高清观看视频| 丝袜在线中文字幕| 久久久a久久爽久久v久久| 日本免费在线观看一区| 两性夫妻黄色片| 亚洲欧洲日产国产| 日韩 亚洲 欧美在线| 新久久久久国产一级毛片| 熟女av电影| 男女免费视频国产| 日韩av免费高清视频| 久久精品久久精品一区二区三区| 99久国产av精品国产电影| 免费看av在线观看网站| 久久久精品免费免费高清| 国产高清不卡午夜福利| 日产精品乱码卡一卡2卡三| 国产精品一区二区在线观看99| 有码 亚洲区| 久久人人爽人人片av| 日韩在线高清观看一区二区三区| 久久精品国产自在天天线| 午夜日韩欧美国产| 国产日韩欧美亚洲二区| 波多野结衣一区麻豆| 美女福利国产在线| 欧美av亚洲av综合av国产av | 精品酒店卫生间| 免费在线观看黄色视频的| 亚洲精品第二区| 亚洲在久久综合| 日韩伦理黄色片| 国产免费一区二区三区四区乱码| 巨乳人妻的诱惑在线观看| 最新中文字幕久久久久| 一本大道久久a久久精品| 国产色婷婷99| 美女脱内裤让男人舔精品视频| 午夜免费鲁丝| 久久久久久人妻| 免费女性裸体啪啪无遮挡网站| 可以免费在线观看a视频的电影网站 | 亚洲精品国产一区二区精华液| 曰老女人黄片| 国产精品香港三级国产av潘金莲 | 免费看av在线观看网站| 熟女电影av网| 精品少妇内射三级| 丝袜喷水一区| 香蕉国产在线看| 久久97久久精品| 尾随美女入室| 视频区图区小说| 久久精品久久精品一区二区三区| 不卡视频在线观看欧美| 美女xxoo啪啪120秒动态图| 久热久热在线精品观看| 亚洲美女黄色视频免费看| 色播在线永久视频| 国产精品.久久久| 国产97色在线日韩免费| 日韩制服丝袜自拍偷拍| 亚洲av国产av综合av卡| 国产精品免费视频内射| 中文字幕人妻丝袜一区二区 | 一区二区三区四区激情视频| 热99久久久久精品小说推荐| 精品久久久久久电影网| 老熟女久久久| 91aial.com中文字幕在线观看| 亚洲欧美精品综合一区二区三区 | 欧美国产精品一级二级三级| 久久久久久人妻| 久久精品国产亚洲av涩爱| 欧美少妇被猛烈插入视频| 亚洲国产欧美日韩在线播放| 午夜福利网站1000一区二区三区| 最近中文字幕高清免费大全6| 性色av一级| 高清黄色对白视频在线免费看| 卡戴珊不雅视频在线播放| 日韩电影二区| 在线观看三级黄色| 国产欧美日韩一区二区三区在线| 亚洲熟女精品中文字幕| 亚洲欧美一区二区三区国产| 纵有疾风起免费观看全集完整版| 美女福利国产在线| 中文字幕人妻丝袜一区二区 | 少妇人妻 视频| 在线观看www视频免费| 欧美+日韩+精品| 哪个播放器可以免费观看大片| 亚洲精品在线美女| 狠狠婷婷综合久久久久久88av| 人妻人人澡人人爽人人| 欧美成人午夜免费资源| 日韩不卡一区二区三区视频在线| 免费黄色在线免费观看| 在线观看免费视频网站a站| 精品久久久久久电影网| 国产乱来视频区| 亚洲精品久久久久久婷婷小说| 欧美精品亚洲一区二区| 深夜精品福利| 黄色怎么调成土黄色| 黄片小视频在线播放| 爱豆传媒免费全集在线观看| 男人舔女人的私密视频| 汤姆久久久久久久影院中文字幕| 久久久久国产精品人妻一区二区| 亚洲成人av在线免费| 午夜福利视频精品| 在线精品无人区一区二区三| 校园人妻丝袜中文字幕| 男女无遮挡免费网站观看| 久久久久精品久久久久真实原创| 久久久久国产精品人妻一区二区| 叶爱在线成人免费视频播放| 色哟哟·www| 伊人久久大香线蕉亚洲五| 纵有疾风起免费观看全集完整版| 一本久久精品| 男女下面插进去视频免费观看| 久久午夜综合久久蜜桃| 亚洲在久久综合| 18禁裸乳无遮挡动漫免费视频| 女人高潮潮喷娇喘18禁视频| 国产精品av久久久久免费| 日韩大片免费观看网站| 日韩 亚洲 欧美在线| 在线精品无人区一区二区三| 99热国产这里只有精品6| 亚洲欧美一区二区三区久久| 欧美最新免费一区二区三区| 国产精品女同一区二区软件| 午夜影院在线不卡| 一边亲一边摸免费视频| 女人高潮潮喷娇喘18禁视频| 国产黄色免费在线视频| 亚洲精品成人av观看孕妇| 性高湖久久久久久久久免费观看| 又粗又硬又长又爽又黄的视频| 久久久久久人人人人人| 激情视频va一区二区三区| 国产片特级美女逼逼视频| 纯流量卡能插随身wifi吗| 久久久久国产网址| 你懂的网址亚洲精品在线观看| 人人妻人人澡人人看| 免费久久久久久久精品成人欧美视频| 丰满少妇做爰视频| 中文字幕亚洲精品专区| 欧美+日韩+精品| 制服诱惑二区| 久久ye,这里只有精品| 人妻少妇偷人精品九色| 一区福利在线观看| 色94色欧美一区二区| 亚洲熟女精品中文字幕| 久久久精品94久久精品| 美女福利国产在线| 久久精品国产鲁丝片午夜精品| 成人毛片60女人毛片免费| 日本vs欧美在线观看视频| 卡戴珊不雅视频在线播放| 最近的中文字幕免费完整| 伦理电影大哥的女人| 一本—道久久a久久精品蜜桃钙片| 激情视频va一区二区三区| 免费女性裸体啪啪无遮挡网站| 日本欧美国产在线视频| 午夜福利在线免费观看网站| 国产日韩一区二区三区精品不卡| 欧美人与善性xxx| 久久久久国产一级毛片高清牌| 日韩一区二区三区影片| 国产精品一国产av| a级毛片黄视频| 日韩,欧美,国产一区二区三区| 国产成人免费无遮挡视频| 国产不卡av网站在线观看| 又粗又硬又长又爽又黄的视频| 男女无遮挡免费网站观看| 色吧在线观看| 日韩中文字幕欧美一区二区 | 欧美国产精品一级二级三级| 老熟女久久久| 免费人妻精品一区二区三区视频| 两个人看的免费小视频| 久久亚洲国产成人精品v| 最近最新中文字幕免费大全7| 欧美日韩亚洲高清精品| 精品久久久久久电影网| 成人二区视频| 2022亚洲国产成人精品| 999精品在线视频| 中文天堂在线官网| 亚洲一区中文字幕在线| 亚洲av欧美aⅴ国产| 色播在线永久视频| 女人久久www免费人成看片| 亚洲国产最新在线播放| 国产探花极品一区二区| 国产熟女午夜一区二区三区| 国产 精品1| 亚洲精品美女久久久久99蜜臀 | 日韩精品免费视频一区二区三区| 女人精品久久久久毛片| 少妇的逼水好多| 一级毛片 在线播放| 香蕉精品网在线| 亚洲av.av天堂| 中文字幕亚洲精品专区| 成人手机av| 18禁观看日本| 波多野结衣一区麻豆| 极品少妇高潮喷水抽搐| 欧美国产精品一级二级三级| 丝袜喷水一区| 久久影院123| 久久久国产精品麻豆| av国产精品久久久久影院| 国产有黄有色有爽视频| 99久久精品国产国产毛片| 亚洲av中文av极速乱| 97人妻天天添夜夜摸| 黑丝袜美女国产一区| 欧美日韩精品网址| 亚洲av日韩在线播放| 男男h啪啪无遮挡| 亚洲久久久国产精品| 国产人伦9x9x在线观看 | 久久久国产一区二区| 国产野战对白在线观看| av网站在线播放免费| 欧美精品高潮呻吟av久久| av免费在线看不卡| 热99久久久久精品小说推荐| 国产片内射在线| 女人久久www免费人成看片| 99久久精品国产国产毛片| 久久久国产精品麻豆| 亚洲国产色片| 少妇被粗大猛烈的视频| 久热久热在线精品观看| 一本—道久久a久久精品蜜桃钙片| 晚上一个人看的免费电影| 爱豆传媒免费全集在线观看| av在线app专区| 亚洲精品国产色婷婷电影| 九九爱精品视频在线观看| 高清av免费在线| 亚洲欧美色中文字幕在线| 国产日韩一区二区三区精品不卡| 亚洲,欧美精品.| 啦啦啦在线观看免费高清www| 国产野战对白在线观看| 亚洲综合色惰| 久久久欧美国产精品| 2018国产大陆天天弄谢| 免费看av在线观看网站| 爱豆传媒免费全集在线观看| 丁香六月天网| 久久ye,这里只有精品| 精品人妻在线不人妻| 有码 亚洲区| 日韩精品免费视频一区二区三区| 18禁裸乳无遮挡动漫免费视频| 高清在线视频一区二区三区| 欧美人与性动交α欧美精品济南到 | 下体分泌物呈黄色| 一区在线观看完整版| 热re99久久精品国产66热6| 成人国产av品久久久| 日韩中文字幕视频在线看片| 午夜福利视频在线观看免费| 9色porny在线观看| 午夜福利一区二区在线看| xxx大片免费视频| 高清视频免费观看一区二区| 国产精品一区二区在线不卡| 久久这里有精品视频免费| 91精品国产国语对白视频| 国产免费现黄频在线看| 一级a爱视频在线免费观看| 亚洲精品自拍成人| 丰满饥渴人妻一区二区三| 观看av在线不卡| 日本欧美国产在线视频| 免费观看在线日韩| 久久免费观看电影| 成人国产麻豆网| 性色av一级| 亚洲一码二码三码区别大吗| 亚洲,一卡二卡三卡| videosex国产| av一本久久久久| 波多野结衣av一区二区av| 91国产中文字幕| 欧美 日韩 精品 国产| 满18在线观看网站| 啦啦啦在线免费观看视频4| 成年动漫av网址| 日韩精品有码人妻一区| 狂野欧美激情性bbbbbb| 国产极品天堂在线| www日本在线高清视频| 久久av网站| 97在线视频观看| 成年av动漫网址| 亚洲av欧美aⅴ国产| 午夜福利视频精品| 欧美老熟妇乱子伦牲交| 久久久久久伊人网av| 涩涩av久久男人的天堂| 香蕉国产在线看| 欧美精品亚洲一区二区| 99精国产麻豆久久婷婷| 成年女人毛片免费观看观看9 | 久久久精品区二区三区| 精品国产乱码久久久久久男人| 久久久久久久久免费视频了| 91成人精品电影| 欧美精品一区二区免费开放| 啦啦啦视频在线资源免费观看| 日日啪夜夜爽| 亚洲色图 男人天堂 中文字幕| 人妻人人澡人人爽人人| 午夜福利,免费看| 在线观看三级黄色| 久久久久久人妻| 欧美日韩成人在线一区二区| 久久影院123| 成年人免费黄色播放视频| 国产亚洲午夜精品一区二区久久| 亚洲伊人色综图| 免费高清在线观看视频在线观看| 在现免费观看毛片| 亚洲经典国产精华液单| 日韩欧美精品免费久久| 欧美黄色片欧美黄色片| 中文字幕色久视频| 晚上一个人看的免费电影| 交换朋友夫妻互换小说| av电影中文网址| 国产精品不卡视频一区二区| 精品一区二区三区四区五区乱码 | 国产高清不卡午夜福利| 亚洲五月色婷婷综合| 超色免费av| 久久午夜福利片| 电影成人av| 黄网站色视频无遮挡免费观看| 久久99精品国语久久久| 在线观看一区二区三区激情| 又粗又硬又长又爽又黄的视频| 日日啪夜夜爽| 可以免费在线观看a视频的电影网站 | 国产成人精品久久二区二区91 | av不卡在线播放| 最近中文字幕2019免费版| 亚洲精品国产av成人精品| 久久精品国产自在天天线|