• <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
    国产av码专区亚洲av| 国产伦理片在线播放av一区| 99国产精品免费福利视频| 欧美日韩亚洲综合一区二区三区_| 麻豆av在线久日| 久久久久精品久久久久真实原创| 国产亚洲午夜精品一区二区久久| 黄色毛片三级朝国网站| 午夜福利视频精品| 老司机深夜福利视频在线观看 | 国产精品久久久av美女十八| 亚洲第一青青草原| 51午夜福利影视在线观看| 成人黄色视频免费在线看| 精品午夜福利在线看| 国产日韩一区二区三区精品不卡| 久久 成人 亚洲| 久久久久精品性色| 精品少妇一区二区三区视频日本电影 | 2018国产大陆天天弄谢| 久久综合国产亚洲精品| 日韩欧美精品免费久久| 日韩 亚洲 欧美在线| 在线亚洲精品国产二区图片欧美| 一个人免费看片子| 熟女av电影| 欧美日韩亚洲综合一区二区三区_| 亚洲av中文av极速乱| 国产麻豆69| 伦理电影免费视频| 国产成人a∨麻豆精品| 午夜激情av网站| 中文字幕制服av| 久热这里只有精品99| 精品少妇黑人巨大在线播放| 亚洲av日韩精品久久久久久密 | 伦理电影大哥的女人| 母亲3免费完整高清在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品人妻久久久影院| 国产亚洲欧美精品永久| 免费观看性生交大片5| 老司机影院成人| 黄色 视频免费看| 一级爰片在线观看| 99re6热这里在线精品视频| 免费观看人在逋| 午夜av观看不卡| 精品午夜福利在线看| 久久久久久久久免费视频了| 欧美乱码精品一区二区三区| 亚洲欧美精品综合一区二区三区| 日韩制服丝袜自拍偷拍| 日韩电影二区| 国产探花极品一区二区| 丝袜美腿诱惑在线| av在线观看视频网站免费| 亚洲一级一片aⅴ在线观看| 丰满迷人的少妇在线观看| 无限看片的www在线观看| 蜜桃国产av成人99| 成人午夜精彩视频在线观看| 久久av网站| 大香蕉久久网| 久久久国产精品麻豆| 人成视频在线观看免费观看| 99久久精品国产亚洲精品| 国产高清国产精品国产三级| 成年人午夜在线观看视频| 中文字幕制服av| 欧美变态另类bdsm刘玥| 久久精品亚洲av国产电影网| 性少妇av在线| 亚洲欧洲日产国产| 超碰成人久久| 新久久久久国产一级毛片| 欧美激情 高清一区二区三区| 精品福利永久在线观看| 99久久精品国产亚洲精品| 久久久久久久久免费视频了| 久久久久网色| 日韩制服丝袜自拍偷拍| 国产精品久久久人人做人人爽| 精品国产一区二区三区久久久樱花| 亚洲天堂av无毛| svipshipincom国产片| 亚洲国产欧美网| 蜜桃国产av成人99| 一边摸一边做爽爽视频免费| 一级毛片我不卡| 亚洲情色 制服丝袜| 日韩人妻精品一区2区三区| 亚洲av日韩精品久久久久久密 | 国产精品一区二区在线不卡| 99热网站在线观看| 亚洲精品日韩在线中文字幕| 中文字幕另类日韩欧美亚洲嫩草| 国产毛片在线视频| 男人添女人高潮全过程视频| 18禁动态无遮挡网站| 免费黄色在线免费观看| 精品久久久精品久久久| 欧美久久黑人一区二区| 狂野欧美激情性xxxx| 久久精品久久久久久噜噜老黄| 视频在线观看一区二区三区| 五月开心婷婷网| 尾随美女入室| 午夜免费观看性视频| 乱人伦中国视频| 婷婷成人精品国产| 一二三四在线观看免费中文在| 99九九在线精品视频| 啦啦啦在线免费观看视频4| 国产精品久久久久久精品电影小说| 黄色 视频免费看| 巨乳人妻的诱惑在线观看| 亚洲精华国产精华液的使用体验| 你懂的网址亚洲精品在线观看| 亚洲人成电影观看| xxx大片免费视频| 中文字幕高清在线视频| 欧美成人午夜精品| 亚洲伊人色综图| 亚洲成av片中文字幕在线观看| 亚洲欧美一区二区三区黑人| 日日撸夜夜添| 国产熟女午夜一区二区三区| 亚洲人成电影观看| 日韩中文字幕视频在线看片| 精品少妇内射三级| 蜜桃国产av成人99| 欧美成人精品欧美一级黄| 黄色怎么调成土黄色| av国产精品久久久久影院| 在线免费观看不下载黄p国产| 免费黄网站久久成人精品| 亚洲欧美成人精品一区二区| 黄色一级大片看看| 男女边摸边吃奶| 国产 一区精品| 午夜福利网站1000一区二区三区| 无遮挡黄片免费观看| a级片在线免费高清观看视频| 丝袜美腿诱惑在线| 国产精品 国内视频| 天堂中文最新版在线下载| 日韩欧美一区视频在线观看| 国产男女超爽视频在线观看| 十八禁人妻一区二区| 2018国产大陆天天弄谢| 国产精品久久久久成人av| 女人被躁到高潮嗷嗷叫费观| 欧美黄色片欧美黄色片| 亚洲av国产av综合av卡| 国产精品免费大片| 免费在线观看视频国产中文字幕亚洲 | 午夜影院在线不卡| 久久久国产精品麻豆| 69精品国产乱码久久久| 久久综合国产亚洲精品| 99热全是精品| h视频一区二区三区| 人体艺术视频欧美日本| 欧美人与性动交α欧美精品济南到| www.精华液| 日本av手机在线免费观看| 丝袜脚勾引网站| 国产精品久久久久久精品古装| 一区福利在线观看| 亚洲第一区二区三区不卡| 国产97色在线日韩免费| 久久 成人 亚洲| 麻豆精品久久久久久蜜桃| 欧美在线黄色| 亚洲av日韩精品久久久久久密 | h视频一区二区三区| 久久久国产精品麻豆| 亚洲精品久久久久久婷婷小说| 菩萨蛮人人尽说江南好唐韦庄| 中文字幕最新亚洲高清| 国产在视频线精品| 免费看av在线观看网站| 在线观看人妻少妇| 免费少妇av软件| 成人亚洲欧美一区二区av| 久久99精品国语久久久| 欧美日韩亚洲国产一区二区在线观看 | 成人国语在线视频| 丰满迷人的少妇在线观看| av在线播放精品| 在线免费观看不下载黄p国产| tube8黄色片| 美女脱内裤让男人舔精品视频| 国产一区二区在线观看av| 嫩草影院入口| 九九爱精品视频在线观看| 不卡视频在线观看欧美| 街头女战士在线观看网站| 精品第一国产精品| 在线观看www视频免费| 熟女av电影| 亚洲人成电影观看| 国产成人欧美在线观看 | 嫩草影视91久久| 丁香六月天网| 日韩精品免费视频一区二区三区| 考比视频在线观看| 欧美黑人欧美精品刺激| 国产在线免费精品| 叶爱在线成人免费视频播放| 成人毛片60女人毛片免费| 麻豆av在线久日| 日本色播在线视频| 亚洲国产av影院在线观看| 狂野欧美激情性xxxx| 欧美少妇被猛烈插入视频| 人人澡人人妻人| 丝袜美足系列| www日本在线高清视频| 侵犯人妻中文字幕一二三四区| 国产精品国产三级国产专区5o| 国产精品久久久久久久久免| 韩国精品一区二区三区| 亚洲欧美色中文字幕在线| 国产精品国产av在线观看| 亚洲精品美女久久av网站| 国产精品av久久久久免费| 高清黄色对白视频在线免费看| 最新的欧美精品一区二区| 免费观看a级毛片全部| 成人国产av品久久久| 亚洲欧洲精品一区二区精品久久久 | 咕卡用的链子| 在线观看人妻少妇| 香蕉丝袜av| 成年女人毛片免费观看观看9 | 亚洲精品,欧美精品| 国产成人av激情在线播放| 最近的中文字幕免费完整| 大片免费播放器 马上看| 天天躁夜夜躁狠狠躁躁| 国产一区二区激情短视频 | 亚洲欧美精品自产自拍| 大香蕉久久成人网| 午夜福利一区二区在线看| 叶爱在线成人免费视频播放| 制服诱惑二区| 欧美国产精品一级二级三级| 国产1区2区3区精品| 成年女人毛片免费观看观看9 | 亚洲精品久久久久久婷婷小说| 精品第一国产精品| 国产精品久久久久久人妻精品电影 | 又粗又硬又长又爽又黄的视频| 成年人午夜在线观看视频| 另类亚洲欧美激情| 青草久久国产| 国产免费视频播放在线视频| 国产精品久久久久久精品古装| 国产在线免费精品| 精品一区二区三区四区五区乱码 | 在线观看免费日韩欧美大片| 欧美精品av麻豆av| 亚洲精品中文字幕在线视频| 侵犯人妻中文字幕一二三四区| 赤兔流量卡办理| 亚洲精品,欧美精品| 综合色丁香网| 亚洲国产欧美日韩在线播放| 欧美日本中文国产一区发布| 街头女战士在线观看网站| 青春草亚洲视频在线观看| 亚洲欧美中文字幕日韩二区| 80岁老熟妇乱子伦牲交| 亚洲人成电影观看| 观看美女的网站| 久久久久久久大尺度免费视频| 伦理电影大哥的女人| 人人妻人人澡人人看| av电影中文网址| 新久久久久国产一级毛片| 伦理电影大哥的女人| 看非洲黑人一级黄片| 国精品久久久久久国模美| 在线观看人妻少妇| 男女边摸边吃奶| 精品一区二区三区av网在线观看 | 老汉色∧v一级毛片| 免费看不卡的av| 午夜av观看不卡| 午夜福利视频精品| 丝瓜视频免费看黄片| 啦啦啦 在线观看视频| 亚洲欧美一区二区三区黑人| 99精品久久久久人妻精品| 久久久精品94久久精品| 精品国产国语对白av| 国产精品一区二区精品视频观看| 黑人巨大精品欧美一区二区蜜桃| 久热这里只有精品99| 天天添夜夜摸| 大香蕉久久成人网| 啦啦啦在线观看免费高清www| 少妇猛男粗大的猛烈进出视频| 久久人人爽人人片av| 国产成人系列免费观看| www.av在线官网国产| 久久免费观看电影| 色吧在线观看| 国精品久久久久久国模美| 亚洲欧美一区二区三区国产| 精品亚洲成a人片在线观看| 免费在线观看完整版高清| 久久精品国产亚洲av高清一级| 少妇人妻 视频| 制服丝袜香蕉在线| 看非洲黑人一级黄片| 青春草亚洲视频在线观看| 在线免费观看不下载黄p国产| 赤兔流量卡办理| 国产精品偷伦视频观看了| 久久韩国三级中文字幕| 国产精品久久久av美女十八| 最新的欧美精品一区二区| 丰满少妇做爰视频| av视频免费观看在线观看| 日韩精品有码人妻一区| 亚洲国产最新在线播放| 午夜福利乱码中文字幕| 看非洲黑人一级黄片| 亚洲精品日本国产第一区| 在线精品无人区一区二区三| 日本wwww免费看| 在线 av 中文字幕| 日韩,欧美,国产一区二区三区| 国产一区亚洲一区在线观看| 久久精品久久久久久久性| 亚洲精华国产精华液的使用体验| 免费人妻精品一区二区三区视频| 国产免费一区二区三区四区乱码| 两个人免费观看高清视频| 欧美精品一区二区免费开放| 一区二区三区乱码不卡18| 午夜福利,免费看| 亚洲成国产人片在线观看| 国产精品国产三级国产专区5o| 国产成人精品在线电影| 男女高潮啪啪啪动态图| 亚洲美女搞黄在线观看| 亚洲av国产av综合av卡| 好男人视频免费观看在线| 少妇被粗大的猛进出69影院| 久久这里只有精品19| 麻豆精品久久久久久蜜桃| 中文字幕另类日韩欧美亚洲嫩草| 天美传媒精品一区二区| 男人添女人高潮全过程视频| 日韩伦理黄色片| 精品少妇一区二区三区视频日本电影 | 性高湖久久久久久久久免费观看| 国产亚洲午夜精品一区二区久久| 亚洲美女搞黄在线观看| 免费人妻精品一区二区三区视频| 中文字幕精品免费在线观看视频| 人人妻人人爽人人添夜夜欢视频| 日韩中文字幕视频在线看片| 欧美日韩亚洲高清精品| 亚洲激情五月婷婷啪啪| 国语对白做爰xxxⅹ性视频网站| 一本一本久久a久久精品综合妖精| 国产精品亚洲av一区麻豆 | 男人操女人黄网站| 一边摸一边抽搐一进一出视频| av有码第一页| 国产亚洲欧美精品永久| 久久久久久久国产电影| 国产黄色免费在线视频| 又黄又粗又硬又大视频| 看免费成人av毛片| 亚洲欧洲精品一区二区精品久久久 | 午夜福利乱码中文字幕| 性少妇av在线| 蜜桃国产av成人99| 亚洲国产欧美一区二区综合| 天天躁日日躁夜夜躁夜夜| 亚洲在久久综合| 夫妻午夜视频| 久久久国产欧美日韩av| 欧美日韩成人在线一区二区| av不卡在线播放| 亚洲第一青青草原| 日韩中文字幕视频在线看片| 亚洲精品国产区一区二| 性少妇av在线| 无限看片的www在线观看| 熟女av电影| av又黄又爽大尺度在线免费看| 美女视频免费永久观看网站| 亚洲七黄色美女视频| 亚洲色图综合在线观看| 亚洲视频免费观看视频| 国产成人免费观看mmmm| 在线观看www视频免费| 免费女性裸体啪啪无遮挡网站| 国产日韩一区二区三区精品不卡| 97在线人人人人妻| 久久天躁狠狠躁夜夜2o2o | 国产免费一区二区三区四区乱码| 欧美变态另类bdsm刘玥| 日韩制服骚丝袜av| 国产日韩欧美视频二区| 色94色欧美一区二区| 2018国产大陆天天弄谢| 自线自在国产av| 亚洲精品久久久久久婷婷小说| 好男人视频免费观看在线| 亚洲,欧美精品.| 性少妇av在线| 国产精品熟女久久久久浪| 看免费成人av毛片| 中文字幕色久视频| 国产欧美日韩一区二区三区在线| 久久精品亚洲av国产电影网| av女优亚洲男人天堂| 久久人妻熟女aⅴ| 美女福利国产在线| 免费看不卡的av| av又黄又爽大尺度在线免费看| 国产爽快片一区二区三区| 免费高清在线观看视频在线观看| 中文字幕精品免费在线观看视频| 日本黄色日本黄色录像| 多毛熟女@视频| 国产色婷婷99| 午夜老司机福利片| 老司机靠b影院| 免费高清在线观看视频在线观看| 只有这里有精品99| 国产精品三级大全| 久久久久久免费高清国产稀缺| 一级片免费观看大全| 最近中文字幕高清免费大全6| www日本在线高清视频| 免费黄频网站在线观看国产| 午夜福利免费观看在线| 丰满饥渴人妻一区二区三| 国产精品久久久久久久久免| 国产高清不卡午夜福利| 色综合欧美亚洲国产小说| 秋霞在线观看毛片| 性高湖久久久久久久久免费观看| 国产一区亚洲一区在线观看| 日韩一区二区三区影片| 国产精品二区激情视频| 国产成人91sexporn| 曰老女人黄片| 亚洲精品美女久久av网站| 中国国产av一级| 少妇精品久久久久久久| 又大又黄又爽视频免费| 国产精品一二三区在线看| 一级,二级,三级黄色视频| 老司机影院成人| 在线天堂最新版资源| 精品少妇内射三级| 黄色视频不卡| 亚洲精品久久午夜乱码| 亚洲欧美成人精品一区二区| 日本猛色少妇xxxxx猛交久久| 亚洲av在线观看美女高潮| 超色免费av| 老司机在亚洲福利影院| 欧美日韩亚洲综合一区二区三区_| 色视频在线一区二区三区| 熟女av电影| 国产亚洲最大av| 欧美变态另类bdsm刘玥| 国产精品 欧美亚洲| 久久久精品免费免费高清| 成人免费观看视频高清| 两个人看的免费小视频| 另类亚洲欧美激情| 99久久精品国产亚洲精品| 亚洲伊人色综图| 亚洲欧美成人综合另类久久久| 在线亚洲精品国产二区图片欧美| 亚洲天堂av无毛| 亚洲精品国产区一区二| 国产一区二区三区av在线| 妹子高潮喷水视频| 两性夫妻黄色片| 在线观看www视频免费| 国产精品国产三级专区第一集| 免费黄色在线免费观看| 亚洲激情五月婷婷啪啪| 一二三四在线观看免费中文在| 天天躁夜夜躁狠狠久久av| 最近2019中文字幕mv第一页| 日韩人妻精品一区2区三区| 国产精品99久久99久久久不卡 | 在现免费观看毛片| 黄频高清免费视频| 免费日韩欧美在线观看| 人成视频在线观看免费观看| 亚洲一区中文字幕在线| 欧美精品一区二区大全| 亚洲欧美一区二区三区国产| 久久免费观看电影| 精品少妇一区二区三区视频日本电影 | 免费人妻精品一区二区三区视频| 建设人人有责人人尽责人人享有的| 一区二区三区精品91| 久久久久久免费高清国产稀缺| 制服诱惑二区| 久久久久久人人人人人| 又大又黄又爽视频免费| 精品人妻一区二区三区麻豆| 十分钟在线观看高清视频www| videos熟女内射| 各种免费的搞黄视频| 欧美在线黄色| 夫妻午夜视频| 亚洲欧美成人精品一区二区| 观看美女的网站| 日韩,欧美,国产一区二区三区| 啦啦啦视频在线资源免费观看| 五月开心婷婷网| 国产免费一区二区三区四区乱码| 人体艺术视频欧美日本| 国产精品久久久久成人av| 国产精品久久久久久人妻精品电影 | 亚洲精品一二三| 久久综合国产亚洲精品| 日本黄色日本黄色录像| 美女福利国产在线| 国产av精品麻豆| 超碰成人久久| a级毛片在线看网站| 亚洲熟女毛片儿| 免费观看a级毛片全部| 熟妇人妻不卡中文字幕| av福利片在线| 人人妻,人人澡人人爽秒播 | 99精品久久久久人妻精品| www.自偷自拍.com| 色吧在线观看| 男女无遮挡免费网站观看| 久久久久精品国产欧美久久久 | 久久热在线av| 久久鲁丝午夜福利片| 亚洲婷婷狠狠爱综合网| 香蕉丝袜av| 欧美日韩av久久| 超色免费av| 天天躁夜夜躁狠狠躁躁| 亚洲免费av在线视频| 日韩视频在线欧美| av一本久久久久| 人人妻人人爽人人添夜夜欢视频| 一区二区三区四区激情视频| 国产高清不卡午夜福利| 日本欧美国产在线视频| 亚洲av国产av综合av卡| 国产一级毛片在线| 日韩制服骚丝袜av| 欧美在线黄色| 搡老乐熟女国产| 五月开心婷婷网| 亚洲自偷自拍图片 自拍| 日韩人妻精品一区2区三区| 另类精品久久| 亚洲欧洲国产日韩| 国产一区有黄有色的免费视频| 男女高潮啪啪啪动态图| 精品少妇黑人巨大在线播放| 亚洲国产欧美网| 国产免费福利视频在线观看| 777久久人妻少妇嫩草av网站| 亚洲av国产av综合av卡| 18禁动态无遮挡网站| 爱豆传媒免费全集在线观看| 国产av一区二区精品久久| 人人妻人人添人人爽欧美一区卜| 久久精品人人爽人人爽视色| 亚洲四区av| 亚洲一区二区三区欧美精品| 悠悠久久av| 女人精品久久久久毛片| avwww免费| 精品第一国产精品| 亚洲成色77777| 五月天丁香电影| 黄片无遮挡物在线观看| 九九爱精品视频在线观看| 成人国语在线视频| 久热这里只有精品99| 丰满迷人的少妇在线观看| 日韩熟女老妇一区二区性免费视频| 国产精品久久久久成人av| 色精品久久人妻99蜜桃| 性色av一级| 亚洲美女视频黄频| 亚洲欧美色中文字幕在线| 夫妻午夜视频| 精品少妇黑人巨大在线播放| av国产久精品久网站免费入址| 欧美在线一区亚洲| 啦啦啦啦在线视频资源| 日韩精品有码人妻一区| 在线观看一区二区三区激情| √禁漫天堂资源中文www| 99国产精品免费福利视频| 日日摸夜夜添夜夜爱| 美女高潮到喷水免费观看|