• <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 ?

    卷煙銷(xiāo)量組合預(yù)測(cè)模型研究

    2019-07-10 03:12:34吳明山王冰起亞寧鄭飄
    中國(guó)煙草學(xué)報(bào) 2019年3期
    關(guān)鍵詞:卷煙梯度銷(xiāo)量

    吳明山,王冰,起亞寧,鄭飄

    1 河南中煙工業(yè)有限責(zé)任公司,河南省鄭州市鄭東新區(qū)榆林南路16號(hào) 450000;

    2 國(guó)家煙草專(zhuān)賣(mài)局煙草經(jīng)濟(jì)信息中心,北京市西城區(qū)月壇南街55號(hào) 100045

    隨著卷煙營(yíng)銷(xiāo)模式的不斷深化,卷煙市場(chǎng)逐步由“賣(mài)方市場(chǎng)”向“買(mǎi)方市場(chǎng)”轉(zhuǎn)變,消費(fèi)者擁有越來(lái)越多的選擇權(quán),對(duì)卷煙銷(xiāo)售工作的挑戰(zhàn)持續(xù)增加,銷(xiāo)量預(yù)測(cè)成為提升卷煙營(yíng)銷(xiāo)水平的一項(xiàng)重要的內(nèi)容。精準(zhǔn)的卷煙預(yù)測(cè),可有效消除卷煙供應(yīng)鏈中的“牛鞭效應(yīng)”,有利于煙草工商企業(yè)高度協(xié)同,提高企業(yè)對(duì)卷煙需求的把握能力,準(zhǔn)確判斷需求變化趨勢(shì),提升卷煙按訂單組織貨源水平,加快推動(dòng)卷煙市場(chǎng)化取向改革。因此,提高卷煙銷(xiāo)量預(yù)測(cè)精度對(duì)提升卷煙營(yíng)銷(xiāo)水平具有重大意義。

    1 文獻(xiàn)綜述

    傳統(tǒng)銷(xiāo)量預(yù)測(cè)方法有很多種,例如經(jīng)驗(yàn)分析、移動(dòng)平均、指數(shù)平滑、線(xiàn)性回歸等[1],可以一定程度上提高預(yù)測(cè)精度,這些方法對(duì)樣本數(shù)據(jù)本身有特定的要求(樣本量足夠大或線(xiàn)性相關(guān)),但在實(shí)際應(yīng)用中產(chǎn)品銷(xiāo)售的歷史數(shù)據(jù)樣本量有限或不能完全滿(mǎn)足線(xiàn)性規(guī)律,預(yù)測(cè)效果會(huì)受到較大影響[2]。由于卷煙銷(xiāo)售受季節(jié)性和節(jié)日因素影響較大,呈現(xiàn)出明顯的季節(jié)性、周期性特征,其預(yù)測(cè)值往往與卷煙銷(xiāo)售歷史具有高度相關(guān)性,因此時(shí)間序列預(yù)測(cè)方法更加適合。ARIMA模型就是一種適合數(shù)據(jù)具有穩(wěn)定的季節(jié)性特征的短期預(yù)測(cè)方法,具有較強(qiáng)的靈活性[3],為季度或月度卷煙銷(xiāo)量預(yù)測(cè),提供了較好的應(yīng)用價(jià)值,預(yù)測(cè)結(jié)果較為可靠[4][5]。但由于其對(duì)數(shù)據(jù)穩(wěn)定性要求較高,對(duì)于非穩(wěn)定的時(shí)間序列的中長(zhǎng)期預(yù)測(cè)精度有待提升。近年來(lái),神經(jīng)網(wǎng)絡(luò)模型因其靈活的非線(xiàn)性建模能力、較強(qiáng)的自適應(yīng)性、學(xué)習(xí)能力和大規(guī)模并行計(jì)算能力,被廣泛地應(yīng)用于時(shí)間序列預(yù)測(cè)研究中[6]。其中,BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最多的一種。理論證明,當(dāng)隱含層神經(jīng)元數(shù)目足夠多時(shí),可以以任意精度逼近任何一個(gè)具有有限間斷點(diǎn)的非線(xiàn)性函數(shù)[7],這一特性使其特別適合于求解內(nèi)部機(jī)制復(fù)雜的問(wèn)題,在銷(xiāo)量預(yù)測(cè)中受到廣泛關(guān)注。經(jīng)典BP神經(jīng)網(wǎng)絡(luò)算法是基于梯度下降的學(xué)習(xí)算法[8],具有較強(qiáng)的自適應(yīng)能力和容錯(cuò)能力,但其收斂較慢、訓(xùn)練時(shí)間較長(zhǎng),容易陷入局部最優(yōu),進(jìn)而影響預(yù)測(cè)精度。因此,需要對(duì)該方法進(jìn)行優(yōu)化改進(jìn)?;贚evenberg-Marquardt算法(LM算法)改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)就是應(yīng)用最廣泛的方法之一,該算法是用模型函數(shù)對(duì)待估參數(shù)向量在其鄰域內(nèi)做線(xiàn)性近似,忽略掉二階以上的導(dǎo)數(shù)項(xiàng),將優(yōu)化目標(biāo)方程轉(zhuǎn)化為線(xiàn)性最小二乘問(wèn)題,并利用梯度求最值,同時(shí)具有梯度法和牛頓法的優(yōu)點(diǎn),預(yù)測(cè)效果得到進(jìn)一步提升[9]。蔣興恒等采用基于LM算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)卷煙月度銷(xiāo)量進(jìn)行預(yù)測(cè),并與ARIMA預(yù)測(cè)結(jié)果進(jìn)行比較,結(jié)果表明改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果更好[10]。

    單項(xiàng)的預(yù)測(cè)模型具有各自的優(yōu)缺點(diǎn),只能提取數(shù)據(jù)的部分有效信息,且受設(shè)定條件的影響,預(yù)測(cè)精度仍有較大提升空間[11]。于是,J.M.Bates和C.W.J.Granger提出組合預(yù)測(cè)方法,該類(lèi)模型能綜合提取不同預(yù)測(cè)方法的有效信息,它可以克服單一模型的局限性,預(yù)測(cè)精度得到有效提高[12]。因此,組合模型也開(kāi)始應(yīng)用于卷煙銷(xiāo)量預(yù)測(cè)中。朱俊江等通過(guò)建立小波變換、回歸分析和神經(jīng)網(wǎng)絡(luò)算法構(gòu)成的組合模型對(duì)鄉(xiāng)鎮(zhèn)單位的卷煙銷(xiāo)量進(jìn)行預(yù)測(cè),其預(yù)測(cè)精度要好于A(yíng)RIMA模型和基于LM算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型[13]。

    組合預(yù)測(cè)模型的核心有兩個(gè):一是單項(xiàng)預(yù)測(cè)模型的選擇,要根據(jù)數(shù)據(jù)的具體特征確定;二是確定各單項(xiàng)模型的權(quán)重,其方法可分為兩類(lèi):一類(lèi)是固定權(quán)重,另一類(lèi)是動(dòng)態(tài)權(quán)重[14]。研究表明,動(dòng)態(tài)權(quán)重組合模型比固定權(quán)重組合模型具有更高的預(yù)測(cè)精度[15]。因此,本文根據(jù)卷煙月度銷(xiāo)量數(shù)據(jù)非線(xiàn)性、波動(dòng)性和規(guī)律性特征,選擇ARIMA模型、基于梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)模型、基于LM算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型作為3個(gè)單項(xiàng)預(yù)測(cè)模型,并利用BP神經(jīng)網(wǎng)絡(luò)對(duì)各單項(xiàng)預(yù)測(cè)模型進(jìn)行動(dòng)態(tài)加權(quán),從而構(gòu)建非線(xiàn)性組合預(yù)測(cè)模型,對(duì)2006~2017年144個(gè)月的全國(guó)卷煙銷(xiāo)量進(jìn)行仿真訓(xùn)練,綜合提取各單項(xiàng)預(yù)測(cè)模型的有效信息,以期預(yù)測(cè)2018年1~4月的全國(guó)卷煙銷(xiāo)量。

    圖1 2006~2017年我國(guó)卷煙各月銷(xiāo)量趨勢(shì)Fig.1 Monthly sales trend of cigarettes in China from 2006 to 2017

    2 卷煙銷(xiāo)量預(yù)測(cè)模型構(gòu)建與預(yù)測(cè)

    2.1 ARIMA模型

    ARIMA模型是由Box和Jenkins提出的一種時(shí)間預(yù)測(cè)方法,該方法將原始時(shí)間序列數(shù)據(jù)看作一個(gè)隨機(jī)序列,并用一定的數(shù)學(xué)模型來(lái)近似描述,一旦被識(shí)別后,就可以利用該模型根據(jù)歷史數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)。本節(jié)以2006~2017年共144個(gè)月的全國(guó)卷煙銷(xiāo)量數(shù)據(jù)(萬(wàn)箱)作為基礎(chǔ)數(shù)據(jù),如圖1所示,應(yīng)用MATLAB對(duì)其進(jìn)行ARIMA擬合,并預(yù)測(cè)2018年1~4月的銷(xiāo)量。

    2.1.1 數(shù)據(jù)處理

    從銷(xiāo)量趨勢(shì)圖中可以看出,該時(shí)間序列非平穩(wěn),對(duì)數(shù)列先進(jìn)行1階差分處理,將其平穩(wěn)化,其公式為:

    如圖2所示,一階差分的時(shí)間序列的均值和方差均基本平穩(wěn),接近一個(gè)白噪聲序列。

    圖2 差分處理圖Fig.2 Differential processing diagram

    圖3 自相關(guān)函數(shù)圖Fig.3 Autocorrelation function diagram

    2.1.2 模型識(shí)別與定階

    通過(guò)平穩(wěn)性檢驗(yàn)可知,即將建立的ARIMA(p,d,q)模型,其中d=1,其基本公式為:

    其中,x為時(shí)間序列,θ是常數(shù)項(xiàng),α為自回歸系數(shù),β為移動(dòng)平均系數(shù),μ為白噪聲,p為自回歸項(xiàng),q為移動(dòng)平均項(xiàng)。

    為確認(rèn)模型中p和q的值,以AIC準(zhǔn)則為評(píng)價(jià)該時(shí)間序列數(shù)據(jù)的準(zhǔn)則,利用MATLAB進(jìn)行測(cè)試。本次基礎(chǔ)數(shù)據(jù)為144個(gè),故將p和q的范圍定為1~29之間,通過(guò)測(cè)試確定AIC=7.06,p=25,q=7,即選擇的模型為ARIMA(25,1,7)。

    2.1.3 仿真及預(yù)測(cè)結(jié)果

    將p和q的值代入模型,計(jì)算得到2006~2017年各月卷煙銷(xiāo)量的擬合值(如圖4所示),模型擬合度為76.07%,平均絕對(duì)誤差為14.82,平均絕對(duì)誤差率(平均絕對(duì)誤差/平均真實(shí)銷(xiāo)量,下同)為3.81%,擬合精度整體良好。

    將預(yù)測(cè)長(zhǎng)度設(shè)定為4個(gè)月,利用該模型對(duì)2018年1~4月全國(guó)卷煙銷(xiāo)量進(jìn)行預(yù)測(cè),如表1所示,可以看出預(yù)測(cè)誤差均較大,除1月份外,其余3個(gè)月的絕對(duì)誤差值均大于當(dāng)月的日均銷(xiāo)量。

    2.2 基于梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

    BP神經(jīng)網(wǎng)絡(luò)是 Rumelhart 和McClellend于 1986年提出一種多層網(wǎng)絡(luò)的“逆推”學(xué)習(xí)算法,是一種單向傳播的多層前向網(wǎng)絡(luò),具有3層或3層以上,包括輸入層、隱含層和輸出層,其中隱含層可以有多個(gè)層次,上下層之間的神經(jīng)元全部連接,但每層神經(jīng)元之間相互獨(dú)立沒(méi)有連接,其結(jié)構(gòu)如圖5所示。當(dāng)學(xué)習(xí)樣本進(jìn)入神經(jīng)網(wǎng)絡(luò)后,神經(jīng)元的激活值從輸入層經(jīng)過(guò)各隱含層傳向輸出層,若達(dá)不到期望,則進(jìn)入誤差反向傳播過(guò)程,逐次調(diào)整網(wǎng)絡(luò)各層的權(quán)值和偏置,最后回到輸入層,再重復(fù)計(jì)算,通過(guò)不斷調(diào)整各層的權(quán)值和閾值,從而達(dá)到網(wǎng)絡(luò)誤差最小,學(xué)習(xí)過(guò)程結(jié)束;再利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。

    BP神經(jīng)網(wǎng)絡(luò)通過(guò)訓(xùn)練誤差來(lái)逐步調(diào)整各層間的輸入權(quán)重和偏置,這個(gè)調(diào)整過(guò)程的算法依據(jù)為最基本的梯度下降法(Gradient Descent),由于訓(xùn)練誤差是關(guān)于輸入權(quán)重和偏置的二次函數(shù),分別對(duì)權(quán)重和偏置求偏導(dǎo)數(shù),即梯度向量,沿著梯度向量的方向,是訓(xùn)練誤差增加最快的地方,而沿著梯度向量相反的方向,梯度減少最快,在這個(gè)方向上更容易找到訓(xùn)練誤差函數(shù)(損失函數(shù))的最小值。本節(jié)利用MATLAB軟件應(yīng)用梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)對(duì)全國(guó)卷煙歷史銷(xiāo)量數(shù)據(jù)進(jìn)行訓(xùn)練并預(yù)測(cè),其處理步驟如下:

    圖4 ARIMA模型對(duì)2006~2018年4月全國(guó)卷煙銷(xiāo)量的擬合及預(yù)測(cè)圖Fig.4 The fitting and forecasting of national cigarette sales from 2006 to April 2018 by ARIMA model

    表1 ARIMA模型對(duì)2018年1~4月全國(guó)卷煙銷(xiāo)量預(yù)測(cè)表Tab.1 National cigarette sales forecast for January-April in 2018 by ARIMA model萬(wàn)箱,%,天

    圖5 典型BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.5 Structure of typical BP neural network model structure

    2.2.1 樣本數(shù)據(jù)確定

    由于卷煙銷(xiāo)量執(zhí)行的是年度計(jì)劃,為更好的反應(yīng)卷煙銷(xiāo)量的時(shí)間特點(diǎn),本文將2006至2017年每12個(gè)月銷(xiāo)量數(shù)據(jù)作為一組輸入向量,形成12*129的輸入矩陣;以之后4個(gè)月的銷(xiāo)量數(shù)據(jù)作為網(wǎng)絡(luò)的輸出,形成4*129的輸出矩陣,用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

    2.2.2 樣本數(shù)據(jù)處理

    數(shù)據(jù)的預(yù)處理和后處理是訓(xùn)練神經(jīng)網(wǎng)絡(luò)的關(guān)鍵步驟,它直接影響到訓(xùn)練后神經(jīng)網(wǎng)絡(luò)的性能,常見(jiàn)的方法是將原始數(shù)據(jù)進(jìn)行歸一化處理,即通過(guò)一定的線(xiàn)性變換將輸入數(shù)據(jù)和輸出數(shù)據(jù)統(tǒng)一限制在[0,1]或[-1,1]區(qū)間內(nèi)。本節(jié)選擇最大最小法進(jìn)行處理,其函數(shù)形式是:

    其中,xmin為數(shù)據(jù)序列的最小值,xmax為數(shù)據(jù)序列的最大值。最大最小值法可以通過(guò)MATLAB的mapminmax函數(shù)對(duì)數(shù)據(jù)進(jìn)行處理,讓其落入在[-1,1]區(qū)間內(nèi)。

    2.2.3 創(chuàng)建網(wǎng)絡(luò)及參數(shù)設(shè)定

    本模型設(shè)計(jì)主要涉及到網(wǎng)絡(luò)的層數(shù)、每層中的神經(jīng)元個(gè)數(shù)和激活函數(shù)、初始值以及學(xué)習(xí)速率等幾個(gè)方面。

    (1)網(wǎng)絡(luò)層數(shù)確定。理論證明,具有偏差和至少一個(gè)S型隱層加上一個(gè)線(xiàn)性輸出層的網(wǎng)絡(luò),能夠逼近任何有理函數(shù),增加層數(shù)可以進(jìn)一步降低誤差,提高精度,但同時(shí)也使網(wǎng)絡(luò)復(fù)雜化。本節(jié)模型選擇3層網(wǎng)絡(luò),即1個(gè)輸入層、1個(gè)隱含層、1個(gè)輸出層。

    (2)創(chuàng)建網(wǎng)絡(luò)。在MATLAB中創(chuàng)建神經(jīng)網(wǎng)絡(luò)要確定以下函數(shù):①輸入層和隱含層的傳遞函數(shù)采用正切S型函數(shù),以tansig表示,即:

    ②輸出層的傳遞函數(shù)采用線(xiàn)性函數(shù),以purelin表示;③網(wǎng)絡(luò)訓(xùn)練函數(shù)采用動(dòng)量反轉(zhuǎn)和動(dòng)態(tài)自適應(yīng)學(xué)習(xí)率的梯度下降算法訓(xùn)練函數(shù)tianingd;④確定隱含層神經(jīng)元個(gè)數(shù),理論上沒(méi)有計(jì)算出多少隱含層節(jié)點(diǎn)最合適,在具體設(shè)計(jì)時(shí),要通過(guò)對(duì)不同神經(jīng)元數(shù)進(jìn)行訓(xùn)練比較,以網(wǎng)絡(luò)最小誤差為依據(jù)確定神經(jīng)元數(shù)。通過(guò)循環(huán)計(jì)算,確定此模型的神經(jīng)元個(gè)數(shù)為9個(gè)。

    (3)網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)定。①根據(jù)梯度下降法的特點(diǎn),訓(xùn)練次數(shù)選取為80000;②誤差性能目標(biāo)值選取為0.01;③學(xué)習(xí)速率一般取值范圍為0.01-0.8之間,學(xué)習(xí)速率太大可能導(dǎo)致系統(tǒng)的不穩(wěn)定,但學(xué)習(xí)速率太小導(dǎo)致收斂太慢,需要較長(zhǎng)的訓(xùn)練時(shí)間,為達(dá)到目標(biāo)誤差精度,此模型選取0.01。

    2.2.4 仿真及預(yù)測(cè)結(jié)果

    利用基于梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)卷煙銷(xiāo)量數(shù)據(jù)進(jìn)行訓(xùn)練和仿真,如圖6所示,經(jīng)過(guò)79976次訓(xùn)練之后達(dá)到目標(biāo)誤差0.01的要求,模型擬合效果如圖7所示,其平均絕對(duì)誤差為17.87,平均絕對(duì)誤差率為4.59%,其擬合精度不及ARIMA模型。

    圖6 基于梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖Fig.6 BP neural network training diagram based on gradient descent algorithm

    圖7 基于梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)對(duì)2007~2018年4月全國(guó)卷煙銷(xiāo)量的擬合及預(yù)測(cè)圖Fig.7 Fitting and forecasting of national cigarette sales from 2007 to April 2018 by BP neural network model based on gradient descent algorithm

    輸入2017年12個(gè)月的卷煙銷(xiāo)量數(shù)據(jù),模型得到2018年1~4月銷(xiāo)量的預(yù)測(cè)值,如表2所示,可以看出雖然該模型擬合效果不及ARIMA模型,但預(yù)測(cè)結(jié)果要明顯好于A(yíng)RIMA模型,除2月份由于春節(jié)因素導(dǎo)致預(yù)測(cè)效果較差外,其余月份預(yù)測(cè)結(jié)果十分逼近真實(shí)銷(xiāo)量,均不足半天的當(dāng)月卷煙銷(xiāo)量。

    表2 基于梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)對(duì)2018年1~4月全國(guó)卷煙銷(xiāo)量預(yù)測(cè)表Tab.2 Forecasting of national cigarette sales volume from January to April in 2018 by BP neural network based on gradient descent algorithm萬(wàn)箱,%,天

    2.3 基于Levenberg-Marquardt算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

    從上述基于梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程發(fā)現(xiàn),雖然該模型能較好的擬合卷煙銷(xiāo)量并比較準(zhǔn)確的預(yù)測(cè)未來(lái)4個(gè)月的銷(xiāo)量,但其學(xué)習(xí)算法的收斂速度較慢,訓(xùn)練次數(shù)達(dá)到了近8萬(wàn)次,另外其預(yù)測(cè)誤差精度較低,僅能達(dá)到0.01。針對(duì)該模型存在的不足,出現(xiàn)了幾種基于該模型的改進(jìn)算法,如擬牛頓法、Levenberg-Marquardt算法(簡(jiǎn)稱(chēng)LM算法)等。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn),對(duì)中小規(guī)模的神經(jīng)網(wǎng)絡(luò),使用LM算法的收斂速度最快,且計(jì)算精度較高。作為BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法,LM算法實(shí)際上是梯度下降法和高斯牛頓法的結(jié)合,該算法期望在不計(jì)算Hessian矩陣的情況下獲得高階的訓(xùn)練速度,其公式表達(dá)為:

    其中,J為雅克比矩陣,e是網(wǎng)絡(luò)誤差向量。隨著 越來(lái)越小,該算法越來(lái)越接近高斯牛頓法;隨著越來(lái)越大,該算法越來(lái)越接近梯度下降法。由于高斯牛頓法收斂速度更快更準(zhǔn)確,因此LM算法的目的就是盡快接近高斯牛頓法,如果某次迭代成功,誤差減小,則減小 的值;如果迭代失敗,則增加 的值,從而使得誤差性能函數(shù)隨著迭代的進(jìn)行而下降到極小值。

    2.3.1 基于LM算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

    基于LM算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型的輸入向量和輸出向量與基于梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)模型相同,并進(jìn)行歸一化的數(shù)據(jù)處理,確定網(wǎng)絡(luò)層數(shù),選擇傳遞函數(shù),設(shè)定訓(xùn)練次數(shù)、訓(xùn)練精度、學(xué)習(xí)速率等參數(shù)。但與前者不同的是,基于LM算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型需要將模型的訓(xùn)練函數(shù)更改成LM算法,在MATLAB中以trianlm表示。鑒于LM算法快速、準(zhǔn)確收斂的特點(diǎn),將模型訓(xùn)練次數(shù)取為3000,誤差性能目標(biāo)值取為0.0005,學(xué)習(xí)速率仍為0.01,經(jīng)過(guò)測(cè)試神經(jīng)元數(shù)量取為30個(gè)。

    2.3.2 仿真及預(yù)測(cè)結(jié)果

    利用LM算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型對(duì)卷煙銷(xiāo)量數(shù)據(jù)進(jìn)行訓(xùn)練和仿真,如圖8所示,經(jīng)過(guò)32次即可達(dá)到目標(biāo)誤差0.0005的要求,模型擬合效果明顯更好,如圖9所示。其平均絕對(duì)誤差為3.99,平均絕對(duì)誤差率為1.03%,其擬合精度明顯高于A(yíng)RIMA模型和基于梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)模型。

    圖8 基于LM算法的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖Fig.8 BP neural network training diagram based on LM algorithm

    輸入2017年12個(gè)月的卷煙銷(xiāo)量數(shù)據(jù),從而得到2018年1~4月銷(xiāo)量的預(yù)測(cè)值,如表3所示,可以看出經(jīng)過(guò)改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)模型,預(yù)測(cè)誤差更加均衡,其預(yù)測(cè)效果更加平穩(wěn),適應(yīng)性更強(qiáng)。

    圖9 基于LM算法的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)2007 ~ 2018年4月全國(guó)卷煙銷(xiāo)量的擬合及預(yù)測(cè)圖Fig.9 Fitting and forecasting of national cigarette sales from 2007 to April 2018 by BP neural network model based on LM algorithm

    表3 基于LM算法的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)2018年1 ~ 4月全國(guó)卷煙銷(xiāo)量預(yù)測(cè)表Tab.3 Forecasting of national cigarette sales forecast for January-April in 2018 by BP neural network model based on LM algorithm萬(wàn)箱,%,天

    2.4 非線(xiàn)性組合預(yù)測(cè)模型構(gòu)建與預(yù)測(cè)

    上述3種模型均在一定程度上解釋了卷煙銷(xiāo)量數(shù)據(jù)之間的聯(lián)系,并對(duì)未來(lái)4個(gè)月的卷煙銷(xiāo)量進(jìn)行預(yù)測(cè),但單項(xiàng)預(yù)測(cè)方法存在未能充分利用歷史數(shù)據(jù)的缺點(diǎn),從而導(dǎo)致預(yù)測(cè)結(jié)果不夠精準(zhǔn),為此,通過(guò)構(gòu)建非線(xiàn)性組合預(yù)測(cè)模型,吸收各模型的優(yōu)點(diǎn),提高預(yù)測(cè)精度。

    2.4.1 模型構(gòu)建思路

    本節(jié)通過(guò)基于LM算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)構(gòu)造非線(xiàn)性組合模型,其構(gòu)建思路為:(1)以ARIMA模型擬合值、基于梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)擬合值、基于LM算法的BP神經(jīng)網(wǎng)絡(luò)擬合值作為輸入向量,即選取相同月份的3種模型擬合值作為輸入向量,當(dāng)月真實(shí)銷(xiāo)量作為輸出向量,進(jìn)行訓(xùn)練后進(jìn)行仿真擬合;(2)輸入上述3種模型對(duì)2018年1~4月全國(guó)卷煙銷(xiāo)量的預(yù)測(cè)值,得到組合預(yù)測(cè)模型對(duì)銷(xiāo)量的預(yù)測(cè)結(jié)果。

    2.4.2 模型參數(shù)設(shè)定

    對(duì)銷(xiāo)量數(shù)據(jù)的訓(xùn)練參數(shù)設(shè)定為:訓(xùn)練次數(shù)取為3000,誤差性能目標(biāo)值取為0.0005,學(xué)習(xí)速率為0.01,經(jīng)過(guò)測(cè)試神經(jīng)元數(shù)量取為30個(gè)。

    2.4.3 仿真及預(yù)測(cè)結(jié)果

    通過(guò)訓(xùn)練,組合預(yù)測(cè)模型訓(xùn)練的銷(xiāo)量數(shù)據(jù)經(jīng)過(guò)4次達(dá)到目標(biāo)誤差精度0.0005的要求,如圖10所示,模型擬合效果明顯更好,如圖11所示。其平均絕對(duì)誤差為3.3,平均絕對(duì)誤差率為0.85%,其擬合精度均高于上述3種模型。

    圖10 組合預(yù)測(cè)模型的銷(xiāo)量數(shù)據(jù)訓(xùn)練圖Fig.10 Sales data training chart of combined forecasting model

    圖11 非線(xiàn)性組合預(yù)測(cè)模型對(duì)2007~2018年4月全國(guó)卷煙銷(xiāo)量的擬合及預(yù)測(cè)圖Fig.11 Fitting and forecasting of national cigarette sales from 2007 to April 2018 by nonlinear combination forecasting model

    輸入上述3種模型對(duì)2018年1~4月銷(xiāo)量的預(yù)測(cè)值,利用訓(xùn)練好的模型得到組合預(yù)測(cè)模型對(duì)2018年1~4月銷(xiāo)量的預(yù)測(cè)值,如表4所示,可以看出組合預(yù)測(cè)模型的預(yù)測(cè)絕對(duì)誤差較為均衡,均不足1天的當(dāng)月日均銷(xiāo)量。

    2.5 模型預(yù)測(cè)效果對(duì)比

    對(duì)比4種模型的預(yù)測(cè)值,發(fā)現(xiàn)各預(yù)測(cè)模型呈現(xiàn)不同的特點(diǎn):ARIMA模型預(yù)測(cè)近期銷(xiāo)量相對(duì)較準(zhǔn),但較遠(yuǎn)月份的預(yù)測(cè)值誤差較大;基于梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)模型可以較為準(zhǔn)確的預(yù)測(cè)大部分月份的卷煙銷(xiāo)量,但對(duì)于波動(dòng)性較大的月份預(yù)測(cè)誤差較大;基于LM算法的BP神經(jīng)網(wǎng)絡(luò)模型作為改進(jìn)后的神經(jīng)網(wǎng)絡(luò)模型,預(yù)測(cè)結(jié)果精度更高,預(yù)測(cè)誤差更為平穩(wěn);非線(xiàn)性組合預(yù)測(cè)模型綜合利用上述3種模型的優(yōu)點(diǎn),有效提取數(shù)據(jù)各方面信息,預(yù)測(cè)絕對(duì)誤差均小于當(dāng)月的日均量,其預(yù)測(cè)結(jié)果最為平穩(wěn),適應(yīng)性最強(qiáng),更加貼合卷煙銷(xiāo)售實(shí)際情況。

    表4 非線(xiàn)性組合預(yù)測(cè)模型對(duì)2018年1~4月全國(guó)卷煙銷(xiāo)量預(yù)測(cè)表Tab.4 Forecasting of the national cigarette sales from January to April in 2018 by nonlinear combination forecasting model萬(wàn)箱,%,天

    表5 四種模型對(duì)2018年1~4月全國(guó)卷煙銷(xiāo)量誤差值對(duì)比Tab.5 Comparison of error values of national cigarette sales from January to April in 2018 by four different models 萬(wàn)箱,天

    3 結(jié)論

    本文選擇ARIMA模型、基于梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)模型、基于LM算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型作為3個(gè)單項(xiàng)預(yù)測(cè)模型,并利用BP神經(jīng)網(wǎng)絡(luò)對(duì)各單項(xiàng)預(yù)測(cè)模型進(jìn)行動(dòng)態(tài)加權(quán),從而構(gòu)建非線(xiàn)性組合預(yù)測(cè)模型,對(duì)2006~2017年144個(gè)月的全國(guó)卷煙銷(xiāo)量進(jìn)行仿真訓(xùn)練,并對(duì)2018年1~4月的卷煙銷(xiāo)量進(jìn)行預(yù)測(cè)。通過(guò)對(duì)比表明,非線(xiàn)性組合模型具有更好的預(yù)測(cè)效果,對(duì)卷煙調(diào)撥計(jì)劃制定,科學(xué)安排生產(chǎn)計(jì)劃等具有一定的參考意義。此外,該模型的構(gòu)建思路還可用于卷煙各價(jià)類(lèi)的銷(xiāo)售預(yù)測(cè)。

    同時(shí),在研究過(guò)程中,發(fā)現(xiàn)由于春節(jié)及政策的影響,每年1月份的卷煙銷(xiāo)量遠(yuǎn)高于其他月份,2月份銷(xiāo)量迅速下降,致使1、2月份的差值非常大,數(shù)據(jù)極具波動(dòng)性,極易造成預(yù)測(cè)誤差。因此,后續(xù)研究中,可以引入月度調(diào)節(jié)因子、政策影響因子等調(diào)整因素,以期進(jìn)一步提高預(yù)測(cè)精度。

    猜你喜歡
    卷煙梯度銷(xiāo)量
    一個(gè)改進(jìn)的WYL型三項(xiàng)共軛梯度法
    同比增長(zhǎng)130%!劍指3萬(wàn)噸銷(xiāo)量,豐華黃顙料迎來(lái)大爆發(fā)
    一種自適應(yīng)Dai-Liao共軛梯度法
    盤(pán)點(diǎn)2018年車(chē)企銷(xiāo)量
    一類(lèi)扭積形式的梯度近Ricci孤立子
    上汽通用172萬(wàn)銷(xiāo)量下的陰影
    卷煙包裝痕跡分析
    河南科技(2014年3期)2014-02-27 14:05:45
    我國(guó)卷煙需求預(yù)測(cè)研究述評(píng)
    卷煙引燃傾向測(cè)試方法的研究與改進(jìn)
    亚洲精品成人av观看孕妇| cao死你这个sao货| 男女之事视频高清在线观看| 国产成人一区二区三区免费视频网站| 免费一级毛片在线播放高清视频 | 女性被躁到高潮视频| 国产99久久九九免费精品| 欧美黄色片欧美黄色片| 精品人妻熟女毛片av久久网站| 欧美黑人欧美精品刺激| 国产一卡二卡三卡精品| 黄片小视频在线播放| 人人妻人人爽人人添夜夜欢视频| 女人被躁到高潮嗷嗷叫费观| 成年av动漫网址| 久久av网站| av超薄肉色丝袜交足视频| 国产成人欧美在线观看 | 免费观看a级毛片全部| 成人影院久久| 一区二区三区激情视频| 欧美黑人欧美精品刺激| 99热国产这里只有精品6| 亚洲av电影在线观看一区二区三区| 亚洲专区国产一区二区| 91麻豆精品激情在线观看国产 | 亚洲专区国产一区二区| 久久精品熟女亚洲av麻豆精品| 看免费av毛片| 极品人妻少妇av视频| 国产成人免费观看mmmm| 法律面前人人平等表现在哪些方面 | 一级片免费观看大全| 亚洲精品日韩在线中文字幕| 亚洲av国产av综合av卡| 中文字幕另类日韩欧美亚洲嫩草| 亚洲欧美一区二区三区黑人| 久久人妻熟女aⅴ| 一级,二级,三级黄色视频| 人妻久久中文字幕网| 亚洲欧美清纯卡通| 人人妻,人人澡人人爽秒播| 日韩熟女老妇一区二区性免费视频| tocl精华| 精品一区二区三区av网在线观看 | 亚洲三区欧美一区| 国产一卡二卡三卡精品| 中国美女看黄片| 亚洲avbb在线观看| 欧美精品啪啪一区二区三区 | 精品国产乱码久久久久久小说| 精品一区二区三区av网在线观看 | 国产日韩欧美亚洲二区| 51午夜福利影视在线观看| 成人国产av品久久久| 下体分泌物呈黄色| 日韩欧美一区二区三区在线观看 | 青春草视频在线免费观看| 性色av乱码一区二区三区2| 操美女的视频在线观看| 一本大道久久a久久精品| 人人妻,人人澡人人爽秒播| 天天添夜夜摸| 老司机福利观看| 无限看片的www在线观看| 极品少妇高潮喷水抽搐| 啪啪无遮挡十八禁网站| 欧美大码av| 久久人人爽人人片av| 另类亚洲欧美激情| 两性夫妻黄色片| 久久99热这里只频精品6学生| 国产无遮挡羞羞视频在线观看| 国产伦理片在线播放av一区| 欧美日韩一级在线毛片| 99九九在线精品视频| 国产精品影院久久| 国产免费福利视频在线观看| 国产成人啪精品午夜网站| 男人爽女人下面视频在线观看| 午夜福利乱码中文字幕| 午夜福利在线观看吧| 欧美国产精品一级二级三级| 免费在线观看影片大全网站| 成年人免费黄色播放视频| 国产熟女午夜一区二区三区| 精品卡一卡二卡四卡免费| 在线亚洲精品国产二区图片欧美| 欧美日韩亚洲综合一区二区三区_| 亚洲国产av影院在线观看| 亚洲国产欧美网| 国产精品影院久久| 伊人亚洲综合成人网| 亚洲欧洲日产国产| 亚洲专区国产一区二区| 亚洲国产精品999| 久久精品亚洲av国产电影网| 国产成人a∨麻豆精品| 韩国精品一区二区三区| 精品福利永久在线观看| 国产精品一区二区免费欧美 | 亚洲精品乱久久久久久| 狂野欧美激情性bbbbbb| 国内毛片毛片毛片毛片毛片| 免费黄频网站在线观看国产| 老熟妇仑乱视频hdxx| 国产主播在线观看一区二区| 午夜福利,免费看| 国产亚洲精品久久久久5区| 国产成人精品无人区| 国产av又大| 少妇的丰满在线观看| 日日夜夜操网爽| www日本在线高清视频| 欧美日韩av久久| 韩国高清视频一区二区三区| 精品人妻1区二区| 深夜精品福利| 高清黄色对白视频在线免费看| av福利片在线| 欧美另类一区| 咕卡用的链子| 婷婷色av中文字幕| 国产av一区二区精品久久| 岛国毛片在线播放| 男女边摸边吃奶| 老司机午夜十八禁免费视频| 91老司机精品| 99国产精品99久久久久| 国产精品.久久久| 亚洲精华国产精华精| 国产成人欧美在线观看 | 纯流量卡能插随身wifi吗| 欧美亚洲日本最大视频资源| 黄频高清免费视频| 亚洲精品一二三| 90打野战视频偷拍视频| 超色免费av| 成年女人毛片免费观看观看9 | 免费在线观看完整版高清| 永久免费av网站大全| 欧美国产精品一级二级三级| 成人av一区二区三区在线看 | 久久国产精品人妻蜜桃| 一级片'在线观看视频| 国产免费一区二区三区四区乱码| 蜜桃国产av成人99| 丝瓜视频免费看黄片| 国产免费av片在线观看野外av| 日韩欧美免费精品| 18在线观看网站| 久久九九热精品免费| 最黄视频免费看| 国产精品欧美亚洲77777| 午夜日韩欧美国产| 婷婷色av中文字幕| av视频免费观看在线观看| 精品国产乱码久久久久久男人| e午夜精品久久久久久久| 久久久精品94久久精品| 热re99久久国产66热| 精品少妇一区二区三区视频日本电影| 99国产精品99久久久久| 黑人猛操日本美女一级片| a级毛片黄视频| 国产精品国产三级国产专区5o| 日韩欧美一区视频在线观看| 99国产综合亚洲精品| 久久久国产成人免费| 一区二区三区四区激情视频| 国产欧美日韩一区二区三区在线| 少妇粗大呻吟视频| 成年人免费黄色播放视频| 亚洲中文av在线| 视频在线观看一区二区三区| av福利片在线| 搡老熟女国产l中国老女人| 新久久久久国产一级毛片| av有码第一页| 久9热在线精品视频| 国产片内射在线| 下体分泌物呈黄色| 午夜免费观看性视频| 久久毛片免费看一区二区三区| 天天操日日干夜夜撸| 大码成人一级视频| 国产精品久久久久成人av| 欧美日韩国产mv在线观看视频| 亚洲精品久久午夜乱码| 亚洲欧美一区二区三区久久| www.自偷自拍.com| 日韩 欧美 亚洲 中文字幕| cao死你这个sao货| 国产亚洲午夜精品一区二区久久| 亚洲自偷自拍图片 自拍| 精品视频人人做人人爽| 90打野战视频偷拍视频| 两性夫妻黄色片| 亚洲精品国产色婷婷电影| 国产亚洲欧美精品永久| 亚洲欧美一区二区三区久久| 国产日韩欧美亚洲二区| 国产av精品麻豆| 国产成人免费观看mmmm| 亚洲国产精品成人久久小说| 黑丝袜美女国产一区| svipshipincom国产片| 亚洲 国产 在线| 99国产精品一区二区蜜桃av | 亚洲熟女精品中文字幕| 下体分泌物呈黄色| 欧美日韩亚洲综合一区二区三区_| 久久午夜综合久久蜜桃| 日韩 欧美 亚洲 中文字幕| 69精品国产乱码久久久| 国产精品一区二区精品视频观看| 免费观看av网站的网址| 久久国产精品人妻蜜桃| 丁香六月天网| 亚洲欧美一区二区三区黑人| 久久国产精品男人的天堂亚洲| 老熟妇仑乱视频hdxx| 狠狠狠狠99中文字幕| 国产国语露脸激情在线看| 亚洲欧洲日产国产| 大香蕉久久网| 欧美精品一区二区免费开放| 啦啦啦中文免费视频观看日本| 精品欧美一区二区三区在线| 脱女人内裤的视频| 成人av一区二区三区在线看 | 亚洲一卡2卡3卡4卡5卡精品中文| 美女福利国产在线| 国产成人一区二区三区免费视频网站| 在线十欧美十亚洲十日本专区| 国产xxxxx性猛交| 欧美老熟妇乱子伦牲交| 人成视频在线观看免费观看| 精品一区二区三区四区五区乱码| 免费日韩欧美在线观看| 999精品在线视频| 日本黄色日本黄色录像| 别揉我奶头~嗯~啊~动态视频 | 日本黄色日本黄色录像| 在线观看免费午夜福利视频| 丁香六月欧美| 美女主播在线视频| 国产片内射在线| 国产日韩欧美视频二区| 免费在线观看完整版高清| 免费观看a级毛片全部| 精品高清国产在线一区| 国产亚洲精品第一综合不卡| 亚洲七黄色美女视频| 欧美日韩亚洲国产一区二区在线观看 | 婷婷成人精品国产| 亚洲久久久国产精品| 别揉我奶头~嗯~啊~动态视频 | 午夜福利在线免费观看网站| 国产成人免费观看mmmm| 在线 av 中文字幕| 久热这里只有精品99| 亚洲av国产av综合av卡| 国产1区2区3区精品| 午夜福利视频在线观看免费| 亚洲av欧美aⅴ国产| 91麻豆av在线| 亚洲欧美日韩另类电影网站| 国产在线视频一区二区| 久久久久国产一级毛片高清牌| 午夜福利影视在线免费观看| 国产精品久久久人人做人人爽| 亚洲精品日韩在线中文字幕| 狂野欧美激情性xxxx| 狂野欧美激情性bbbbbb| 亚洲av美国av| 最黄视频免费看| 欧美日韩国产mv在线观看视频| 啦啦啦免费观看视频1| 18在线观看网站| 日日爽夜夜爽网站| 亚洲欧美精品综合一区二区三区| 热99国产精品久久久久久7| 男女午夜视频在线观看| 欧美黑人欧美精品刺激| 一区在线观看完整版| 亚洲成人手机| 欧美av亚洲av综合av国产av| 国产黄色免费在线视频| 免费在线观看日本一区| 91成人精品电影| 满18在线观看网站| 夫妻午夜视频| 亚洲欧美精品综合一区二区三区| 99国产精品免费福利视频| 热99re8久久精品国产| 不卡av一区二区三区| 久久久欧美国产精品| 久9热在线精品视频| 亚洲成人手机| 欧美日韩精品网址| 国产成+人综合+亚洲专区| 一个人免费看片子| 成年美女黄网站色视频大全免费| 日韩大片免费观看网站| 丝袜脚勾引网站| 中文字幕人妻丝袜一区二区| 性少妇av在线| 国产精品1区2区在线观看. | 日本一区二区免费在线视频| 国产一级毛片在线| 亚洲一区二区三区欧美精品| 精品福利观看| 69av精品久久久久久 | 欧美97在线视频| 亚洲av男天堂| av天堂在线播放| 69精品国产乱码久久久| 12—13女人毛片做爰片一| 久久久久国内视频| 久久久久国产精品人妻一区二区| 老鸭窝网址在线观看| 国产亚洲精品一区二区www | 五月开心婷婷网| xxxhd国产人妻xxx| 在线精品无人区一区二区三| 人人妻人人添人人爽欧美一区卜| 人妻一区二区av| 一级毛片电影观看| 久热这里只有精品99| 大码成人一级视频| 男女无遮挡免费网站观看| 最新在线观看一区二区三区| 97在线人人人人妻| 18禁裸乳无遮挡动漫免费视频| 97在线人人人人妻| 一本—道久久a久久精品蜜桃钙片| 人人妻,人人澡人人爽秒播| bbb黄色大片| 国产精品久久久久久精品古装| 亚洲精品自拍成人| 在线 av 中文字幕| 啪啪无遮挡十八禁网站| 久久久久国产精品人妻一区二区| 亚洲精品久久久久久婷婷小说| 在线 av 中文字幕| 母亲3免费完整高清在线观看| 女性被躁到高潮视频| 日韩熟女老妇一区二区性免费视频| 黄色a级毛片大全视频| 久热这里只有精品99| 中文精品一卡2卡3卡4更新| 日韩欧美国产一区二区入口| 亚洲av男天堂| 搡老岳熟女国产| 国产区一区二久久| 欧美av亚洲av综合av国产av| 成人三级做爰电影| 日韩电影二区| 成人三级做爰电影| 考比视频在线观看| 美女扒开内裤让男人捅视频| 久久狼人影院| 欧美另类亚洲清纯唯美| 国产真人三级小视频在线观看| 日韩大片免费观看网站| 欧美av亚洲av综合av国产av| 大码成人一级视频| 人妻 亚洲 视频| 亚洲精品国产一区二区精华液| 亚洲国产毛片av蜜桃av| 欧美一级毛片孕妇| 两个人免费观看高清视频| 熟女少妇亚洲综合色aaa.| 国产在线观看jvid| 久久久久国产一级毛片高清牌| 国产精品久久久av美女十八| 各种免费的搞黄视频| 婷婷成人精品国产| 最近最新中文字幕大全免费视频| 性高湖久久久久久久久免费观看| 亚洲欧美成人综合另类久久久| 真人做人爱边吃奶动态| 国产精品久久久av美女十八| 人成视频在线观看免费观看| 狂野欧美激情性xxxx| 老熟妇仑乱视频hdxx| 国产有黄有色有爽视频| 一本—道久久a久久精品蜜桃钙片| 国产无遮挡羞羞视频在线观看| 精品免费久久久久久久清纯 | 岛国毛片在线播放| 正在播放国产对白刺激| 80岁老熟妇乱子伦牲交| 成人影院久久| 国产在线视频一区二区| √禁漫天堂资源中文www| 男女无遮挡免费网站观看| 国产成人啪精品午夜网站| 一区福利在线观看| 国产成人欧美在线观看 | 日本五十路高清| 国产精品秋霞免费鲁丝片| 黑人巨大精品欧美一区二区蜜桃| 99久久精品国产亚洲精品| 十八禁高潮呻吟视频| 国产成人影院久久av| 国产精品熟女久久久久浪| 五月开心婷婷网| 亚洲av片天天在线观看| 久久国产精品大桥未久av| 精品国产国语对白av| 宅男免费午夜| svipshipincom国产片| 亚洲视频免费观看视频| www.熟女人妻精品国产| 亚洲欧美色中文字幕在线| 操美女的视频在线观看| 欧美精品高潮呻吟av久久| 欧美另类亚洲清纯唯美| 欧美激情 高清一区二区三区| 丰满人妻熟妇乱又伦精品不卡| 久久毛片免费看一区二区三区| 国产一区二区 视频在线| 老汉色av国产亚洲站长工具| 在线观看免费高清a一片| 大陆偷拍与自拍| 日韩免费高清中文字幕av| 最近最新中文字幕大全免费视频| 90打野战视频偷拍视频| 国产成人av教育| 午夜91福利影院| 91九色精品人成在线观看| h视频一区二区三区| 最黄视频免费看| 亚洲三区欧美一区| 国产免费福利视频在线观看| 少妇猛男粗大的猛烈进出视频| 亚洲成人国产一区在线观看| 中文精品一卡2卡3卡4更新| 亚洲精品一区蜜桃| 别揉我奶头~嗯~啊~动态视频 | 国产av精品麻豆| 啦啦啦视频在线资源免费观看| 在线精品无人区一区二区三| 老司机影院毛片| 搡老乐熟女国产| 亚洲国产看品久久| 精品国产乱码久久久久久小说| 在线亚洲精品国产二区图片欧美| 午夜精品久久久久久毛片777| 亚洲国产成人一精品久久久| 后天国语完整版免费观看| 一边摸一边抽搐一进一出视频| 成人亚洲精品一区在线观看| 精品国内亚洲2022精品成人 | 久久久精品国产亚洲av高清涩受| 亚洲欧美日韩另类电影网站| 久久中文字幕一级| 91九色精品人成在线观看| 国产有黄有色有爽视频| 91九色精品人成在线观看| 最近中文字幕2019免费版| 在线观看免费高清a一片| 99精品欧美一区二区三区四区| 亚洲欧洲日产国产| 国产淫语在线视频| 久久久久视频综合| 精品亚洲成国产av| 亚洲,欧美精品.| 十八禁人妻一区二区| 9热在线视频观看99| 久久女婷五月综合色啪小说| 中国国产av一级| 少妇精品久久久久久久| 久9热在线精品视频| 国产亚洲一区二区精品| 一级片免费观看大全| 夜夜骑夜夜射夜夜干| 岛国毛片在线播放| 啦啦啦中文免费视频观看日本| 亚洲久久久国产精品| 精品久久久久久久毛片微露脸 | 后天国语完整版免费观看| 建设人人有责人人尽责人人享有的| a在线观看视频网站| 丰满饥渴人妻一区二区三| 麻豆av在线久日| 老司机在亚洲福利影院| 人成视频在线观看免费观看| 亚洲欧美精品综合一区二区三区| 中亚洲国语对白在线视频| 精品国产国语对白av| 91精品三级在线观看| 久久综合国产亚洲精品| 国产精品国产av在线观看| 欧美国产精品一级二级三级| 午夜福利一区二区在线看| 人妻久久中文字幕网| 精品视频人人做人人爽| 一级毛片电影观看| 1024香蕉在线观看| 亚洲欧洲日产国产| 日韩 亚洲 欧美在线| 狠狠婷婷综合久久久久久88av| 亚洲欧美一区二区三区久久| 两个人免费观看高清视频| 欧美日韩亚洲国产一区二区在线观看 | 国产精品麻豆人妻色哟哟久久| 男女无遮挡免费网站观看| 如日韩欧美国产精品一区二区三区| a级毛片黄视频| 欧美在线一区亚洲| 国产精品久久久久成人av| 国产免费现黄频在线看| 黑人操中国人逼视频| 美女高潮到喷水免费观看| av天堂久久9| 午夜福利一区二区在线看| 久久99一区二区三区| 亚洲精品国产一区二区精华液| 欧美av亚洲av综合av国产av| 国内毛片毛片毛片毛片毛片| 咕卡用的链子| 男女下面插进去视频免费观看| 免费在线观看视频国产中文字幕亚洲 | 国产亚洲欧美在线一区二区| 天堂8中文在线网| 国产又色又爽无遮挡免| 免费久久久久久久精品成人欧美视频| 午夜免费观看性视频| 伦理电影免费视频| 欧美黄色片欧美黄色片| 国产精品一区二区在线不卡| 免费在线观看完整版高清| 黄色怎么调成土黄色| 老汉色av国产亚洲站长工具| 亚洲国产精品一区三区| 高清视频免费观看一区二区| 国产欧美日韩一区二区精品| 国产视频一区二区在线看| 亚洲激情五月婷婷啪啪| 美女国产高潮福利片在线看| 国产免费福利视频在线观看| 曰老女人黄片| 在线看a的网站| 久久久久网色| 成人手机av| 日韩中文字幕欧美一区二区| 成年人黄色毛片网站| 国产一区有黄有色的免费视频| 青青草视频在线视频观看| 男女之事视频高清在线观看| 飞空精品影院首页| 亚洲国产中文字幕在线视频| 国产精品九九99| 天天躁日日躁夜夜躁夜夜| 亚洲精品美女久久av网站| 久久精品成人免费网站| 夜夜骑夜夜射夜夜干| 亚洲精华国产精华精| 久久久精品区二区三区| 日韩有码中文字幕| 91字幕亚洲| 99久久精品国产亚洲精品| 亚洲第一av免费看| 夫妻午夜视频| 91麻豆精品激情在线观看国产 | av一本久久久久| 深夜精品福利| 国产1区2区3区精品| 最近中文字幕2019免费版| 五月天丁香电影| a级毛片在线看网站| 欧美日韩黄片免| 一本色道久久久久久精品综合| 国产精品国产av在线观看| netflix在线观看网站| 久久久久国内视频| 日本五十路高清| 久久久久久久久免费视频了| 男女之事视频高清在线观看| 纯流量卡能插随身wifi吗| 2018国产大陆天天弄谢| 国产精品九九99| 黑人巨大精品欧美一区二区mp4| 日韩大片免费观看网站| 亚洲国产日韩一区二区| 久久久久国产精品人妻一区二区| 女人精品久久久久毛片| 国产在线视频一区二区| 狂野欧美激情性bbbbbb| 国产麻豆69| 高清视频免费观看一区二区| 曰老女人黄片| 亚洲伊人久久精品综合| 宅男免费午夜| 在线 av 中文字幕| 免费在线观看黄色视频的| 亚洲视频免费观看视频| 欧美性长视频在线观看| 人人妻人人澡人人看| 国产伦理片在线播放av一区| 欧美 亚洲 国产 日韩一| 国产欧美日韩一区二区精品| 人妻 亚洲 视频| 夜夜骑夜夜射夜夜干| 超色免费av| 亚洲av成人不卡在线观看播放网 | 欧美国产精品va在线观看不卡| 国产亚洲精品第一综合不卡| 18禁裸乳无遮挡动漫免费视频| 午夜免费观看性视频| 亚洲欧美日韩高清在线视频 | 久久亚洲国产成人精品v|