• <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 ?

    基于集成學(xué)習(xí)的交通流短時(shí)特性分析與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法

    2021-03-07 08:13:54鄭樂軍文成林
    科學(xué)技術(shù)與工程 2021年4期
    關(guān)鍵詞:預(yù)測(cè)器交通流尺度

    鄭樂軍, 文成林

    (杭州電子科技大學(xué)系統(tǒng)控制工程科學(xué)研究所, 杭州 310018)

    城市交通控制系統(tǒng)的作用是對(duì)城市路網(wǎng)中的交通流進(jìn)行合理控制,使其分時(shí)使用交叉路口,避免發(fā)生交通事故、緩和或防止交通擁塞并及時(shí)為車輛上的有關(guān)人員及行人提供交通狀況信息以增進(jìn)交通安全性。為了實(shí)現(xiàn)這種控制,系統(tǒng)需要對(duì)實(shí)時(shí)交通狀況有即時(shí)的了解,同一種預(yù)測(cè)方法在不同時(shí)間段和地段交通流預(yù)測(cè)的精度存在差異,且同一組數(shù)據(jù)采用不同的預(yù)測(cè)方法得到的結(jié)果也是存在很大差異。根據(jù)城市交通存在的長(zhǎng)期相關(guān)性,對(duì)交通信息進(jìn)行可預(yù)測(cè)性分析,即借助各種定性、定量分析方法判斷交通系統(tǒng)處于確定性、混沌還是隨機(jī)性變化狀態(tài)[1],據(jù)此分析該交通系統(tǒng)未來趨勢(shì)進(jìn)行短期預(yù)測(cè)的可能性程度,用以預(yù)測(cè)交通系統(tǒng)將來的變化趨勢(shì)。目前交通流分析研究主要是通過混沌理論的遞歸圖法、Kolmogorov熵、Lyapunov指數(shù)等進(jìn)行混沌辨識(shí)[2-4],從而判定交通流是否具有可預(yù)測(cè)性。然而這些方法大多需要大量的樣本量,計(jì)算方法也還不夠成熟,不能進(jìn)行可對(duì)比度量。

    由于影響交通流量的隨機(jī)因素太多,非線性很強(qiáng),傳統(tǒng)的理論依據(jù)存在很大的局限性,新理論和新技術(shù)的發(fā)展一直推動(dòng)著交通預(yù)測(cè)的不斷發(fā)展,新方法有神經(jīng)網(wǎng)絡(luò)法[5-6]、分解模型法[7]、模糊數(shù)學(xué)法[8]、支持向量機(jī)[9]、優(yōu)選組合法[10-11]、濾波理論[12]、智能優(yōu)化算法[13-14]等。文獻(xiàn)[8]使用基于區(qū)間2型模糊集理論的交通流數(shù)據(jù)長(zhǎng)期預(yù)測(cè)方案,以較高的精度顯示出交通流量變化的可能范圍,但是計(jì)算過于復(fù)雜。文獻(xiàn)[10]誘導(dǎo)有序加權(quán)平均(induced ordered weighted average,IOWA)算子應(yīng)用到短時(shí)交通流預(yù)測(cè)中.建立了以整體預(yù)測(cè)誤差平方和最小為目標(biāo)的組合預(yù)測(cè)模型。文獻(xiàn)[12]提出的卡爾曼濾波預(yù)測(cè)交通流具有模型參數(shù)少、計(jì)算相對(duì)簡(jiǎn)便的特點(diǎn),但難以反映交通流量預(yù)測(cè)過程中的非線性和不確定性;文獻(xiàn)[13]提出用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)克服收斂速度慢、推廣能力差等問題,這樣就會(huì)使整個(gè)種群進(jìn)化搜索效率低。不滿足城市交通控制的實(shí)時(shí)性要求,限制了城市交通控制的效果,很難找到能夠準(zhǔn)確表示交通流量特征的數(shù)學(xué)模型,因此只有具體分析某個(gè)地區(qū)的交通特性才能建立起交通規(guī)理方法。

    神經(jīng)網(wǎng)絡(luò)在交通流預(yù)測(cè)得到廣泛的應(yīng)用,以反向傳播(back propagation,BP)算法應(yīng)用最廣,針對(duì)傳統(tǒng)BP學(xué)習(xí)解決了隱含層權(quán)值修正問題,而對(duì)于多峰值和不可微函數(shù)不可能有效地搜索到全局極小值,該方法具有對(duì)網(wǎng)絡(luò)參數(shù)的賦值隨機(jī)性和對(duì)初始值的敏感性,導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型在工程應(yīng)用中模擬結(jié)果不穩(wěn)定[15],并且不能在線學(xué)習(xí),需要積累足夠的樣本后統(tǒng)一訓(xùn)練,因此不能根據(jù)新樣本實(shí)時(shí)的調(diào)整網(wǎng)絡(luò)參數(shù)。本文首先闡明交通流的可預(yù)測(cè)性能分析方法斷定歷史序列具有長(zhǎng)相關(guān)性,然后建立不同時(shí)間間隔下的最優(yōu)時(shí)序的變量,采用全局優(yōu)化方法——思維進(jìn)化算法(mind evolutionary computation, MEC)消除神經(jīng)網(wǎng)絡(luò)初始參數(shù)對(duì)學(xué)習(xí)系統(tǒng)復(fù)雜性的影響,避免陷入局部極小值,同時(shí)構(gòu)建以神經(jīng)網(wǎng)絡(luò)為基學(xué)習(xí)器的集成學(xué)習(xí)算法,集成學(xué)習(xí)采用串行式聯(lián)級(jí)的自適應(yīng)增強(qiáng)算法(adaptive boosting,Ababoost)組合成BP_Ababoost、MEC-BP_Adaboost模型,并且通過誤差平方和倒數(shù)準(zhǔn)則重新優(yōu)化Adaboost算法對(duì)弱預(yù)測(cè)器權(quán)值分布,從而在某輸入狀態(tài)下具有更佳的擬合效果,有效地提供單一模型的泛化能力,從而更好達(dá)到交通流的一步或多步預(yù)測(cè)。

    1 交通流可預(yù)測(cè)性分析

    1.1 重標(biāo)極差分析法

    重標(biāo)極差分析法(rescaled range analysis,R/S)用來分析時(shí)間序列的分形特征和長(zhǎng)期記憶過程[16],Hurst指數(shù)用以度量趨勢(shì)的強(qiáng)度和噪聲的水平隨時(shí)間的變化指標(biāo)。具有Hurst統(tǒng)計(jì)特性的系統(tǒng),它反映的是一長(zhǎng)串相互聯(lián)系事件的結(jié)果,不依賴于通常概率統(tǒng)計(jì)學(xué)的獨(dú)立隨機(jī)事件假設(shè),這正是分析短時(shí)交通流所需要的理論和方法。

    設(shè)定一個(gè)時(shí)間序列{x(t),t=1,2,…,M},計(jì)算步驟如下。

    (1)將原始時(shí)間序列分割成為長(zhǎng)度為n的[M/n]個(gè)等長(zhǎng)子序列段,Ia表示第a個(gè)子序列段,第a個(gè)上的時(shí)間序列段表示為{x(i),i=1,2,…,n}。Ea表示第a個(gè)子序列段上的均值,可表示為

    (1)

    (2)子序列段Ia中元素對(duì)于均值的累積離差X(i,a)為

    (2)

    (3)子序列段Ia的極差(RIa)和樣本標(biāo)準(zhǔn)差(SIa)可表示為

    (3)

    (4)

    (4)子序列段長(zhǎng)度為n劃分的重標(biāo)極差值(R/S)n,可表示為

    (5)

    1.2 基于R/S分析法的時(shí)間序列可預(yù)測(cè)分析

    根據(jù)赫斯特指數(shù)值的不同,可以將時(shí)間序列分為3種類型。

    (1)0

    (2)H=0.5,說明該序列是標(biāo)準(zhǔn)的隨機(jī)游走序列,即未來變化趨勢(shì)和過去趨勢(shì)的增量沒有關(guān)系。

    (3)0.5

    2 基于神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流實(shí)時(shí)建模預(yù)測(cè)

    2.1 交通流時(shí)間序列相空間重構(gòu)

    X(t)={x(t),x(t+τ),…,x[t+(m-

    1)τ]}T,t=1,2,…,M

    (6)

    式(6)中:X為m×M維矩陣,重構(gòu)后所得相空間的相點(diǎn)個(gè)數(shù)為M=N-(m-1)τ,M個(gè)相點(diǎn)在m維相空間中構(gòu)成一個(gè)相型,它表示交通流系統(tǒng)在某一瞬間的狀態(tài),按時(shí)間增長(zhǎng)的順序?qū)⑵湎噙B,即可描述交通流系統(tǒng)在m維相空間中的演化軌跡,因此將原來的一維時(shí)間序列預(yù)測(cè)問題轉(zhuǎn)化成m維相點(diǎn)序列的預(yù)測(cè)。假設(shè)該地區(qū)交通流時(shí)間序列預(yù)測(cè)的相點(diǎn){X(t),X(t-1),…,X(t-k)},k=1,2,…,t-1。已知當(dāng)前時(shí)刻需要預(yù)測(cè)相點(diǎn):p=1時(shí)稱為一步預(yù)測(cè);p>1時(shí)稱為多步預(yù)測(cè),預(yù)測(cè)模型可以表示為

    {x[t+(m-1)τ+1],…,x[t+(m-1)τ+

    p]}=F[X(t),X(t-1),…,X(t-k)]

    (7)

    利用前饋神經(jīng)網(wǎng)絡(luò)的泛化逼近能力,實(shí)現(xiàn)交通流的一步或者多步預(yù)測(cè)。利用C-C方法計(jì)算嵌入維數(shù)和延遲時(shí)間,通過Wolf方法計(jì)算交通流的最大Lyapunov指數(shù)來判斷交通流的混沌特性。

    2.2 MEC-BP融合算法

    思維進(jìn)化算法是針對(duì)遺傳算法的缺陷和模仿人類思維進(jìn)化過程的一種新型進(jìn)化算法。其繼承了遺傳算法的部分思想,又引入了“趨同”和“異化”兩個(gè)新的操作算子。趨同和異化分別負(fù)責(zé)局部和全局尋優(yōu),兩算子一定獨(dú)立且相互協(xié)調(diào),任一操作的改進(jìn)都可提高算法的整體搜索效率,且其定向?qū)W習(xí)與記憶機(jī)制,使其具有極強(qiáng)的全局優(yōu)化能力[18]。主要利用MEC優(yōu)化神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值,其形成的MEC-BP融合算法結(jié)構(gòu)如圖1所示。

    圖1 MEC-BP融合算法結(jié)構(gòu)框圖Fig.1 Block diagram of MEC-BP fusion algorithm

    2.3 基于Adaboost算法的神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)模型

    自適應(yīng)增強(qiáng)算法(adaptive enhancement algori-thm,Adaboost)是通過反復(fù)搜索樣本特征空間,獲取樣本權(quán)重,并在迭代過程中不斷調(diào)整訓(xùn)練樣本的權(quán)重,增加(減小)預(yù)測(cè)精度低(高)的樣本的權(quán)重,并采用加權(quán)多數(shù)表決的方法組合形成一個(gè)強(qiáng)預(yù)測(cè)器,即加大(減小)預(yù)測(cè)誤差率較小(大)的弱預(yù)測(cè)器的權(quán)值,使得它在表決中起較大(小)作用[19],顯著提高學(xué)習(xí)算法的預(yù)測(cè)性能。神經(jīng)網(wǎng)絡(luò)集成模型即把BP神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測(cè)器,反復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)樣本輸出,通過Adaboost算法得到多個(gè)BP神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器組成強(qiáng)預(yù)測(cè)器?;贛EC優(yōu)化神經(jīng)網(wǎng)絡(luò)模型集成的結(jié)構(gòu)如圖2所示。

    算法步驟如下。

    步驟1數(shù)據(jù)獲取和網(wǎng)絡(luò)初始化。從樣本空間選取m組訓(xùn)練樣本T={(Xi,yi)},賦予訓(xùn)練樣本權(quán)重分布為w1i=1/m,i=1,2,…,m,依據(jù)樣本輸入和輸出維數(shù)確定網(wǎng)絡(luò)結(jié)構(gòu),神經(jīng)網(wǎng)絡(luò)初始權(quán)重和閾值由改進(jìn)思維進(jìn)化算法優(yōu)化獲得,D(1)表示獲得樣本的初始權(quán)重,K表示預(yù)測(cè)器的數(shù)量。

    圖2 基于Adaboost算法的神經(jīng)網(wǎng)絡(luò)集成結(jié)構(gòu)圖Fig.2 Neural network integration structure diagrambased on Adaboost algorithm

    D(1)=(w11,w12,…,w1 m)

    (8)

    步驟2進(jìn)行迭代。

    (1)訓(xùn)練第k個(gè)弱預(yù)測(cè)器時(shí),用弱預(yù)測(cè)器Hk(x)訓(xùn)練樣本并預(yù)測(cè)訓(xùn)練數(shù)據(jù)輸出回歸誤差率(ξk),計(jì)算訓(xùn)練集上的樣本最大誤差(Ek)和每個(gè)樣本的相對(duì)誤差(ξki),計(jì)算公式為

    Ek=max[|yi-Hk(Xi)]

    (9)

    (10)

    (11)

    (2)計(jì)算該弱預(yù)測(cè)器在最終預(yù)測(cè)器中所占的權(quán)重(ak),公式為

    (12)

    (3)根據(jù)預(yù)測(cè)序列權(quán)重ak調(diào)整下一輪訓(xùn)練樣本的權(quán)重為

    D(k+1)=(wk+1,1,wk+1,2,…,wk+1,m)

    (13)

    (14)

    步驟3訓(xùn)練K輪后得到K組弱預(yù)測(cè)函數(shù)Hk(x),按弱預(yù)測(cè)器權(quán)重組合各個(gè)弱預(yù)測(cè)函數(shù)得到強(qiáng)預(yù)測(cè)器h(x)為

    (15)

    一般來說每種單項(xiàng)預(yù)測(cè)器的預(yù)測(cè)精度不同導(dǎo)致誤差存在,為了更好地求出各組弱預(yù)測(cè)器的加權(quán)值,通過Adaboost算法訓(xùn)練MEC-BP神經(jīng)網(wǎng)絡(luò)得到K組弱預(yù)測(cè)器的弱預(yù)測(cè)函數(shù)Hk(x)之后,再次采用預(yù)測(cè)誤差平方和倒數(shù)準(zhǔn)則進(jìn)行每組弱預(yù)測(cè)函數(shù)的加權(quán)值求解,最終得到累加的強(qiáng)預(yù)測(cè)器h(x)=∑wkHk(xk,ak)。預(yù)測(cè)誤差平方和越大,表明該項(xiàng)預(yù)測(cè)模型的預(yù)測(cè)精度就越低,從而它在組合預(yù)測(cè)中重要性就降低,對(duì)預(yù)測(cè)誤差平方和較小的單項(xiàng)預(yù)測(cè)模型在組合預(yù)測(cè)中的應(yīng)賦予較大加權(quán)系數(shù)。加權(quán)系數(shù)計(jì)算方法為

    (16)

    設(shè)yki為第k種弱預(yù)測(cè)器在第i時(shí)刻的預(yù)測(cè)值,yi為同一預(yù)測(cè)對(duì)象的第i時(shí)刻觀測(cè)值,eki為第k種預(yù)測(cè)器在第i時(shí)刻的預(yù)測(cè)值和觀測(cè)值的偏差,則Ek為第k種弱預(yù)測(cè)器的預(yù)測(cè)誤差平方和。

    (17)

    3 實(shí)驗(yàn)驗(yàn)證

    3.1 數(shù)據(jù)來源與分析

    選取美國(guó)PeMS(portable emission measurement system)系統(tǒng)上的交通流數(shù)據(jù)進(jìn)行交通流預(yù)測(cè)模型分析與預(yù)測(cè)。PeMS系統(tǒng)中的源數(shù)據(jù)有兩種:30 s的交通流量和車道占有率,它將30 s數(shù)據(jù)聚合生成5、15、60 min等數(shù)據(jù)集。①實(shí)驗(yàn)數(shù)據(jù)集1:采集時(shí)間2011年5月2日—2011年5月5日連續(xù)4 個(gè)工作日的單個(gè)路段車流聚合,采用5 min統(tǒng)計(jì)尺度下記錄交通流數(shù)據(jù);②實(shí)驗(yàn)數(shù)據(jù)集2:采樣時(shí)間為2011年6月1日—2011年6月5日(周三~周日)連續(xù) 5個(gè)日期的3 個(gè)路段車流聚合,觀測(cè)時(shí)間為每天連續(xù)24 h,采用5、10、15、20 min不同統(tǒng)計(jì)尺度下記錄交通流數(shù)據(jù),分別得到了1 440、720、480、360 個(gè)數(shù)據(jù)。數(shù)據(jù)集2交通流數(shù)據(jù)曲線如圖3所示。

    圖3中曲線之間的相似性說明在不同尺度上,交通流變化存在自相似性,觀察時(shí)段5 min數(shù)據(jù)中交通流時(shí)間序列的變化趨勢(shì),可以發(fā)現(xiàn)交通流數(shù)據(jù)呈現(xiàn)出明顯的準(zhǔn)周期性趨勢(shì)。為識(shí)別交通流數(shù)據(jù)的自相似性,采用小波變換對(duì)交通流數(shù)據(jù)進(jìn)行分解,如圖4所示交通流數(shù)據(jù)的小波分解系數(shù),小波系數(shù)指相似性指數(shù)(RI),RI越大自相似越大,由于出行需求的變化,工作日(前3 d)和周末(后2 d)的小波系數(shù)有所不同,說明交通流具有時(shí)段性,故可將交通流數(shù)據(jù)時(shí)段分為高峰時(shí)段、空閑時(shí)段和正常時(shí)段。實(shí)驗(yàn)數(shù)據(jù)表明,交通流時(shí)間段可以分為:忙碌時(shí)段為07:30—09:30,14:30—18:30;空閑時(shí)段為00:00—05:00;其余為正常時(shí)段。

    圖3 連續(xù)5 d不同統(tǒng)計(jì)尺度交通流時(shí)間序列Fig.3 Time series of traffic flow at different statistical scales for 5 consecutive days

    圖4 5 min間隔的短期交通流小波變換實(shí)部時(shí)頻分布Fig.4 Real-time time-frequency distribution of short-time traffic flow wavelet transform at 5 min intervals

    3.2 基于分析法對(duì)短時(shí)交通流可預(yù)測(cè)分析結(jié)果

    R/S分析法求解Hurst值會(huì)受到樣本量的影響,為了對(duì)不同觀測(cè)尺度的數(shù)據(jù)進(jìn)行進(jìn)一步的跟蹤對(duì)比,以交通流的自然周期1 d為單位對(duì)交通流序列進(jìn)行累加,最大限度地保留周期內(nèi)表征交通流序列的變化規(guī)律的信息計(jì)算,對(duì)數(shù)據(jù)集2交通流的分析如下。

    (1)圖5為不同統(tǒng)計(jì)尺度不同天數(shù)的Hurst變化曲線,表明Hurst指數(shù)的值均位于區(qū)間[0.5, 1],表示交通流時(shí)間序列具有長(zhǎng)期的記憶性質(zhì),表明交通流變化的整體方向?qū)⒗^承過去的整體趨勢(shì),過去的增加(減少)趨勢(shì)預(yù)示未來的增加(減少)趨勢(shì)。圖5中每條曲線都隨著時(shí)間長(zhǎng)度的增加而呈整體下降趨勢(shì), 即Hurst指數(shù)隨樣本量的增加而降低,這表明在同一統(tǒng)計(jì)尺度范圍內(nèi),當(dāng)時(shí)間序列達(dá)到一定的尺度后,再增加數(shù)據(jù),將破環(huán)原時(shí)間序列的自相似性;相同時(shí)間長(zhǎng)度下Hurst指數(shù)隨時(shí)間統(tǒng)計(jì)尺度(σ)的增加而呈現(xiàn)下降趨勢(shì),交通流序列具有短時(shí)有效性,隨著時(shí)間的增長(zhǎng),時(shí)間序列的長(zhǎng)記憶性減弱。

    (2)表1為3種不同時(shí)段對(duì)不同統(tǒng)計(jì)尺度相同天數(shù)(5 d)的Hurst指數(shù)的計(jì)算,結(jié)果表明,相同統(tǒng)計(jì)尺度交通流從空閑時(shí)段到忙碌時(shí)段的Hurst指數(shù)呈遞增趨勢(shì),這是因?yàn)閷?duì)相同時(shí)間尺度下,交通越忙自相似越強(qiáng),交通的可預(yù)測(cè)性越強(qiáng);同一時(shí)段不同尺度的Hurst指數(shù)呈遞減趨勢(shì),預(yù)計(jì)隨著統(tǒng)計(jì)尺度的不斷增大,Hurst指數(shù)越接近0.5,交通流沒有分形特征,主要是因?yàn)檫^去與未來不同存在了相關(guān)性時(shí)間序列為完全獨(dú)立過程。

    (3)如果時(shí)間序列是具有長(zhǎng)程相關(guān)性的,時(shí)間之間的相互依賴性是很強(qiáng)的。圖6給出了在統(tǒng)計(jì)尺度10 min的交通流時(shí)間序列的lg(R/S)n和Vn關(guān)于lgn變化曲線,可看出原始序列出差持續(xù)上升并達(dá)到n=207時(shí)達(dá)到最大,然后急劇下降,所以可以斷定統(tǒng)計(jì)尺度10 min的交通流的平均循環(huán)周期為 207 min,也就是說該序列平均經(jīng)過207 min就失去了對(duì)初始條件的記憶;同時(shí)發(fā)現(xiàn)打亂序列后的Hurst指數(shù)(0.623 3)小于與原始序列的Hurst指數(shù)(0.703 1),這是由于數(shù)據(jù)經(jīng)打亂之后,破壞了原始序列的相關(guān)性結(jié)構(gòu),交通流時(shí)間序列的有序程度降低;打亂序列后發(fā)現(xiàn)是一條平坦的曲線,說明該序列變成獨(dú)立隨機(jī)過程不具備長(zhǎng)程相關(guān)性。

    表1 不同時(shí)段不同統(tǒng)計(jì)尺度相同天數(shù)的Hurst指數(shù)

    圖5 不同統(tǒng)計(jì)尺度的Hurst指數(shù)曲線Fig.5 Hurst exponent graphs of different statistical scales

    圖6 lg(R/S)n和Vn關(guān)于lgn變化曲線Fig.6 The change curve of lg(R/S)n and Vn about lgn

    (4)圖7為相同時(shí)間長(zhǎng)度不同統(tǒng)計(jì)尺度下得到的Vn隨lgn的變化曲線,發(fā)現(xiàn)隨著統(tǒng)計(jì)尺度的減小則 所突變時(shí)間越長(zhǎng),即長(zhǎng)記憶消失所需要的時(shí)間越長(zhǎng),但實(shí)際上這種長(zhǎng)期的記憶性并非無(wú)窮長(zhǎng)的,而是隨時(shí)間逐漸減弱直至忘卻,所以短時(shí)預(yù)測(cè)仍有可能。當(dāng)τ為60 min時(shí)該Vn統(tǒng)計(jì)量曲線上升趨勢(shì)不明顯,Hurst指數(shù)越接近0.5,則序列中的噪聲越多,序列越接近隨機(jī)過程。

    (5)為了定量描述交通流的復(fù)雜性,對(duì)基于分形、混沌和熵的交通復(fù)雜性進(jìn)行分析,如表2所示,Hurst指數(shù)和樣本熵隨著統(tǒng)計(jì)尺度的增加而逐漸減小,發(fā)現(xiàn)5 min采樣的樣本熵最大,則時(shí)間序列就越復(fù)雜;最大Lyapunov指數(shù)始終為正數(shù),則該系統(tǒng)必定在某一矢量方向上的運(yùn)動(dòng)是不穩(wěn)定的,同時(shí)意味著這一方向上有混沌吸引子的出現(xiàn),是整個(gè)系統(tǒng)的運(yùn)動(dòng)處于混沌狀態(tài)。

    3.3 模型預(yù)測(cè)分析

    圖7 相同時(shí)間長(zhǎng)度不同統(tǒng)計(jì)尺度下得到的Vn隨lgn的變化曲線Fig.7 Variation curve of Vn with logn obtained under different statistical scales of the same time length

    (18)

    (19)

    式中:n為交通流數(shù)據(jù)序列的長(zhǎng)度;yt表示t時(shí)刻的預(yù)測(cè)值;dt表示t時(shí)刻的實(shí)際值;均方誤差(MSE)和平均絕對(duì)誤差(MAD)的指標(biāo)越小,表明相應(yīng)模型的結(jié)構(gòu)越合理。

    在MATLAB仿真軟件對(duì)傳統(tǒng)BP、BP_Adaboost、MEC-BP方法和MEC-BP_Adaboost模型和改進(jìn)MEC-BP_Adaboost模型(本文方法)進(jìn)行訓(xùn)練,并利用訓(xùn)練好的模型對(duì)數(shù)據(jù)集1進(jìn)行短時(shí)交通流單步預(yù)測(cè),結(jié)果如表3、圖8和圖9。

    表2 不同統(tǒng)計(jì)尺度下交通流特征復(fù)雜性分析

    從表3、圖8、圖9可知,基于MEC-BP模型與傳統(tǒng)BP模型相比,均方誤差和平均絕對(duì)誤差分別下降29.8%和3.5%,證明MEC在優(yōu)化BP模型的初始參數(shù)方面的有效性;基于BP_Adaboost模型和傳統(tǒng)BP模型相比,均方誤差和平均絕對(duì)誤差分別下降56.3%和27.1%,證明Adaboost算法對(duì)神經(jīng)網(wǎng)絡(luò)的泛化能力有極大的提升,表明Adaboost 算法采用加權(quán)多數(shù)表決的方法,能有效提高模型的預(yù)測(cè)精度及避免模型“過擬合”現(xiàn)象的發(fā)生;基于本文方法與BP模型相比,均方誤差和平均絕對(duì)誤差分別下降78.2%和46.4%,證明本文方法對(duì)交通流預(yù)測(cè)具有合理性;基于本文模型和MEC-BP_Adaboost模型相比,均方誤差和平均絕對(duì)誤差分別下降44.9%和25.9%,證明了采用誤差平方和倒數(shù)準(zhǔn)則對(duì)弱預(yù)測(cè)器的權(quán)值大小,使弱預(yù)測(cè)器預(yù)測(cè)精度更高,更有效地提高預(yù)測(cè)器的泛化能力。

    表3 不同預(yù)測(cè)模型性能指標(biāo)比較

    圖8 不同模型下的短時(shí)交通流的預(yù)測(cè)值比較Fig.8 Comparison of predictions of short-term traffic flow under different models

    為了更好地表現(xiàn)出每個(gè)弱預(yù)測(cè)器的預(yù)測(cè)效果,通過預(yù)測(cè)誤差平方和倒數(shù)方法進(jìn)行每組弱預(yù)測(cè)函數(shù)的權(quán)值求解,使每個(gè)弱預(yù)測(cè)器的性能更好地表現(xiàn)出來,提高整個(gè)模型的決策性能,本文方法和MEC-BP_Adaboost模型的每個(gè)弱預(yù)測(cè)器權(quán)重比較如表4所示。同時(shí)針對(duì)時(shí)間段交通狀態(tài),R/S分析了每天不同時(shí)段的交通流存在相關(guān)性,但是不同時(shí)段可能有不定性因素存在,則交通流預(yù)測(cè)可能存在差異,如表5所示。

    由表4實(shí)驗(yàn)結(jié)果可以看出,根據(jù)10個(gè)MEC優(yōu)化神經(jīng)網(wǎng)絡(luò)的改進(jìn)后的權(quán)值大小對(duì)比發(fā)現(xiàn),MEC-BP_Adaboost模型的第3、4、8的神經(jīng)網(wǎng)絡(luò)權(quán)值占比最大,說明這3 個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)交通流預(yù)測(cè)效果更明顯,通過本文方法的改進(jìn)之后,降低其他神經(jīng)網(wǎng)絡(luò)對(duì)模型的影響小的權(quán)重,加大了這3 個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)整體模型影響的比重,充分利用該網(wǎng)絡(luò)提供的有價(jià)值的信息,將預(yù)測(cè)結(jié)果的精確度最大化,這是因?yàn)楦魅躅A(yù)測(cè)器的權(quán)重得到不斷優(yōu)化,Adaboost算法的提升能力得到不斷增強(qiáng),該模型有效的克服了時(shí)間序列突變帶來的預(yù)誤差,有較好的擬合真實(shí)的交通誤差。由表5展現(xiàn)出不同時(shí)段狀態(tài)下采用本文方法比之前的方法預(yù)測(cè)誤差更小,達(dá)到更精準(zhǔn)預(yù)測(cè)效果,證明本文方法的有效性。

    為進(jìn)一步驗(yàn)證模型的有效性和普適性,采用數(shù)據(jù)集2進(jìn)行2、3、4、5 步預(yù)測(cè),如表6所示,因此隨著預(yù)測(cè)步數(shù)的增加,本文方法的預(yù)測(cè)誤差普遍小于原方法,但隨著相同模型下,隨著步長(zhǎng)的增加預(yù)測(cè)精度下降,因此交通流存在短期的預(yù)測(cè)能力。

    4 結(jié)論

    圖9 不同模型的預(yù)測(cè)值與估計(jì)值誤差絕對(duì)值比較Fig.9 Comparison of the absolute value of the error between the predicted value and the estimated value of different models

    表4 兩種模型中每個(gè)弱預(yù)測(cè)器的權(quán)重對(duì)比

    表5 不同時(shí)間段預(yù)測(cè)的MSE值對(duì)比

    表6 不同模型不同預(yù)測(cè)步長(zhǎng)的MSE值對(duì)比

    針對(duì)短時(shí)交通流量的不確定性、復(fù)雜性和高度非線性的基本特征,R/S分析法應(yīng)用于短時(shí)交通流分析,能揭示微觀交通流運(yùn)動(dòng)的內(nèi)在規(guī)律,抑制隨機(jī)因素的影響,定量地揭示交通系統(tǒng)的動(dòng)態(tài)學(xué)特性。該文采用思維進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始參數(shù)選取,提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度,將多個(gè)思維進(jìn)化算法優(yōu)化后的網(wǎng)絡(luò)進(jìn)行集成有效綜合決策,提高網(wǎng)絡(luò)的泛化性,該模型是研究非線性時(shí)間序列預(yù)測(cè)的一種嘗試,通過對(duì)交通流實(shí)例的短期預(yù)測(cè),從而證實(shí)該模型具有實(shí)用性,可為類似的具有周期特性的時(shí)間序列提供一種新的預(yù)測(cè)方法。

    在預(yù)測(cè)過程中僅對(duì)該城市交通流時(shí)間特性進(jìn)行分析研究,并未對(duì)其他影響因素進(jìn)行考慮分析,如天氣狀況、突發(fā)事件等,這將導(dǎo)致預(yù)測(cè)模型依賴原始數(shù)據(jù),而原始數(shù)據(jù)的可靠性將直接影響預(yù)測(cè)結(jié)果的準(zhǔn)確度,即使是在同一地點(diǎn)不同時(shí)刻段內(nèi)的交通流也不可相互替換。根據(jù)表6可知,本文方法對(duì)數(shù)據(jù)量大的樣本預(yù)測(cè)效果不明顯,存在一定的局限性,利用過去的學(xué)習(xí)經(jīng)驗(yàn)加速對(duì)于新任務(wù)的學(xué)習(xí),機(jī)器學(xué)習(xí)各分支都已展開了對(duì)遷移學(xué)習(xí)的研究。在后續(xù)研究中需對(duì)其他影響因素做進(jìn)一步量化分析,將其運(yùn)用于交通流預(yù)測(cè)中,綜合考慮以平衡對(duì)數(shù)據(jù)的過依賴性。

    猜你喜歡
    預(yù)測(cè)器交通流尺度
    輸入延遲系統(tǒng)的切換偽預(yù)測(cè)鎮(zhèn)定控制器
    財(cái)產(chǎn)的五大尺度和五重應(yīng)對(duì)
    一種改進(jìn)型TAGE分支預(yù)測(cè)器的實(shí)現(xiàn)
    宇宙的尺度
    太空探索(2016年5期)2016-07-12 15:17:55
    交通流隨機(jī)行為的研究進(jìn)展
    路內(nèi)停車對(duì)交通流延誤影響的定量分析
    具有負(fù)壓力的Aw-Rascle交通流的Riemann問題
    9
    商務(wù)英語(yǔ)學(xué)習(xí)過程中的“預(yù)測(cè)器”
    甘肅教育(2012年24期)2012-04-29 00:44:03
    考慮車輛間博弈行為的交通流
    国产一区二区在线观看日韩| 最近的中文字幕免费完整| 成人二区视频| 日日摸夜夜添夜夜添av毛片| 中文欧美无线码| 亚洲国产欧美在线一区| 插阴视频在线观看视频| 国产乱人偷精品视频| 人妻制服诱惑在线中文字幕| av天堂在线播放| 变态另类丝袜制服| 热99re8久久精品国产| 一级毛片aaaaaa免费看小| 熟女电影av网| 黑人高潮一二区| 欧美xxxx黑人xx丫x性爽| 免费看av在线观看网站| 久久久久国产网址| 午夜a级毛片| 日韩成人av中文字幕在线观看| 三级毛片av免费| 可以在线观看毛片的网站| 日本成人三级电影网站| 国产蜜桃级精品一区二区三区| 国产高清有码在线观看视频| 婷婷色av中文字幕| 久久久久免费精品人妻一区二区| 97人妻精品一区二区三区麻豆| 国产精品日韩av在线免费观看| 久久久久网色| 中文字幕av在线有码专区| 男的添女的下面高潮视频| 精品午夜福利在线看| 免费观看的影片在线观看| 日本三级黄在线观看| 黄色配什么色好看| 3wmmmm亚洲av在线观看| 欧美xxxx黑人xx丫x性爽| 高清毛片免费看| 国产精品国产高清国产av| www日本黄色视频网| 青青草视频在线视频观看| 久久精品国产亚洲网站| 不卡视频在线观看欧美| 少妇被粗大猛烈的视频| 国模一区二区三区四区视频| 国产精品麻豆人妻色哟哟久久 | 亚洲人成网站在线观看播放| 欧美又色又爽又黄视频| 两个人视频免费观看高清| 欧美3d第一页| 亚洲经典国产精华液单| 国产精品免费一区二区三区在线| 给我免费播放毛片高清在线观看| 亚洲人成网站高清观看| 日本免费一区二区三区高清不卡| 亚洲最大成人av| 美女 人体艺术 gogo| 午夜视频国产福利| 成人三级黄色视频| 国产高清有码在线观看视频| 乱码一卡2卡4卡精品| 成年版毛片免费区| 亚洲av免费在线观看| 亚洲精品国产av成人精品| 久久久a久久爽久久v久久| 熟女电影av网| 九九热线精品视视频播放| 久久人人爽人人片av| 日韩欧美在线乱码| av国产免费在线观看| 最近中文字幕高清免费大全6| 中出人妻视频一区二区| 国产老妇女一区| 色吧在线观看| 能在线免费观看的黄片| 看黄色毛片网站| 99国产极品粉嫩在线观看| 深爱激情五月婷婷| 日本在线视频免费播放| 国产高潮美女av| 国产精品三级大全| 免费看日本二区| 国产毛片a区久久久久| 久久亚洲精品不卡| 国产精品久久久久久精品电影小说 | 女人被狂操c到高潮| 亚洲在久久综合| av国产免费在线观看| 丝袜美腿在线中文| 精品久久久噜噜| 日韩av不卡免费在线播放| a级毛片免费高清观看在线播放| 美女 人体艺术 gogo| 91精品一卡2卡3卡4卡| 亚洲欧美日韩无卡精品| 最后的刺客免费高清国语| 丝袜喷水一区| 成人毛片60女人毛片免费| 亚洲欧洲日产国产| 成人二区视频| 日本-黄色视频高清免费观看| 长腿黑丝高跟| 亚洲精品456在线播放app| 三级国产精品欧美在线观看| 亚洲欧美精品专区久久| 嫩草影院入口| 日韩视频在线欧美| 精品人妻视频免费看| 日日摸夜夜添夜夜爱| 久久精品国产鲁丝片午夜精品| 亚洲国产高清在线一区二区三| 亚洲av成人av| 亚洲精品456在线播放app| 婷婷精品国产亚洲av| 91麻豆精品激情在线观看国产| 99久国产av精品国产电影| 日韩一区二区视频免费看| 国产极品天堂在线| 亚洲高清免费不卡视频| 亚洲在线观看片| 亚洲激情五月婷婷啪啪| 日日摸夜夜添夜夜爱| 级片在线观看| 中文字幕av成人在线电影| 欧美性猛交╳xxx乱大交人| 晚上一个人看的免费电影| .国产精品久久| 亚州av有码| 热99re8久久精品国产| 亚洲性久久影院| 看非洲黑人一级黄片| 性色avwww在线观看| 国产探花在线观看一区二区| 自拍偷自拍亚洲精品老妇| 亚洲欧美日韩卡通动漫| 久久久精品大字幕| 哪个播放器可以免费观看大片| 天天躁日日操中文字幕| 国产午夜精品一二区理论片| 日韩制服骚丝袜av| 少妇熟女欧美另类| 人体艺术视频欧美日本| 一级二级三级毛片免费看| 午夜精品国产一区二区电影 | 亚洲欧美日韩卡通动漫| 免费人成在线观看视频色| 最好的美女福利视频网| 国产精华一区二区三区| 日日摸夜夜添夜夜添av毛片| 久久久久久久久久黄片| 成年免费大片在线观看| 午夜福利在线观看免费完整高清在 | 国产久久久一区二区三区| 亚洲中文字幕日韩| 91在线精品国自产拍蜜月| 级片在线观看| 国产真实伦视频高清在线观看| 日韩欧美精品免费久久| 成人永久免费在线观看视频| 亚洲自偷自拍三级| 精品日产1卡2卡| 亚洲电影在线观看av| 日韩强制内射视频| 亚洲人成网站高清观看| 亚洲欧美日韩无卡精品| 成人性生交大片免费视频hd| 网址你懂的国产日韩在线| 一边亲一边摸免费视频| 九九爱精品视频在线观看| 我的老师免费观看完整版| 18禁在线播放成人免费| 最近最新中文字幕大全电影3| 亚洲激情五月婷婷啪啪| 亚洲va在线va天堂va国产| 国产午夜精品一二区理论片| 久久久久久伊人网av| 国产麻豆成人av免费视频| www.av在线官网国产| 国产精品人妻久久久影院| 麻豆乱淫一区二区| 日本黄色视频三级网站网址| 欧美日韩乱码在线| 99热精品在线国产| 日韩制服骚丝袜av| 麻豆av噜噜一区二区三区| 精品不卡国产一区二区三区| 久久久久久大精品| 久久人妻av系列| 日产精品乱码卡一卡2卡三| 精品久久久久久久末码| 欧美日本视频| 五月玫瑰六月丁香| 国产91av在线免费观看| 亚洲精品久久久久久婷婷小说 | 午夜爱爱视频在线播放| 精品不卡国产一区二区三区| 日本爱情动作片www.在线观看| 国产高清三级在线| 男人舔女人下体高潮全视频| 美女 人体艺术 gogo| 波野结衣二区三区在线| 亚洲av一区综合| 精品人妻一区二区三区麻豆| 亚洲精品日韩av片在线观看| 老司机影院成人| 特级一级黄色大片| 国产一区二区亚洲精品在线观看| 蜜桃久久精品国产亚洲av| 亚洲成人久久性| 亚洲av第一区精品v没综合| 亚洲在线观看片| 精华霜和精华液先用哪个| 精品欧美国产一区二区三| 一个人看视频在线观看www免费| 亚洲av免费在线观看| 国产一级毛片在线| 亚洲精品自拍成人| 最近手机中文字幕大全| 99久久九九国产精品国产免费| 亚洲国产欧美人成| 最近最新中文字幕大全电影3| 黄片无遮挡物在线观看| 国产成人aa在线观看| 大香蕉久久网| av在线天堂中文字幕| 国产亚洲av片在线观看秒播厂 | 少妇熟女aⅴ在线视频| 少妇的逼好多水| 国产91av在线免费观看| 国产一区二区三区av在线 | 此物有八面人人有两片| 久久国内精品自在自线图片| 国产精品一区二区三区四区免费观看| 久久精品综合一区二区三区| 国产日韩欧美在线精品| 国产精品久久久久久精品电影| 99热全是精品| 午夜福利高清视频| 禁无遮挡网站| 变态另类成人亚洲欧美熟女| 欧美zozozo另类| 亚洲av中文字字幕乱码综合| 亚洲国产欧美在线一区| 天堂影院成人在线观看| 色噜噜av男人的天堂激情| 热99re8久久精品国产| 亚洲人成网站在线播放欧美日韩| 男女视频在线观看网站免费| 久久精品国产亚洲av涩爱 | 伊人久久精品亚洲午夜| 狂野欧美激情性xxxx在线观看| 中文在线观看免费www的网站| 日韩欧美精品v在线| 国产老妇伦熟女老妇高清| 国产精品乱码一区二三区的特点| 乱人视频在线观看| 国产精品一二三区在线看| 成人亚洲欧美一区二区av| av在线天堂中文字幕| 国内精品久久久久精免费| 搡女人真爽免费视频火全软件| 99热全是精品| 91午夜精品亚洲一区二区三区| 99riav亚洲国产免费| 国产精品99久久久久久久久| 中文字幕熟女人妻在线| 成人午夜精彩视频在线观看| 哪里可以看免费的av片| 午夜精品一区二区三区免费看| 黄片wwwwww| 久久精品国产亚洲网站| 男女啪啪激烈高潮av片| 国产精品久久久久久精品电影小说 | 国产免费一级a男人的天堂| 91久久精品国产一区二区成人| 亚洲精华国产精华液的使用体验 | 日韩成人伦理影院| 久久久久久大精品| 国产在线男女| 男女边吃奶边做爰视频| 日韩视频在线欧美| 国产成年人精品一区二区| 99热这里只有精品一区| 哪个播放器可以免费观看大片| 少妇人妻精品综合一区二区 | 亚洲高清免费不卡视频| 伦理电影大哥的女人| 激情 狠狠 欧美| 欧美最黄视频在线播放免费| 国产成人精品婷婷| 国产大屁股一区二区在线视频| 精品久久久久久久久亚洲| 国产中年淑女户外野战色| 国产午夜福利久久久久久| 亚洲五月天丁香| 国产精品99久久久久久久久| 超碰av人人做人人爽久久| 99精品在免费线老司机午夜| 在线免费观看的www视频| 成年av动漫网址| 久久人人精品亚洲av| 欧美xxxx性猛交bbbb| 成年女人看的毛片在线观看| 午夜福利视频1000在线观看| 国产熟女欧美一区二区| 99riav亚洲国产免费| 亚洲色图av天堂| 校园人妻丝袜中文字幕| 亚洲,欧美,日韩| 综合色av麻豆| 麻豆一二三区av精品| 五月玫瑰六月丁香| 黄色欧美视频在线观看| 亚洲熟妇中文字幕五十中出| 欧美一级a爱片免费观看看| 菩萨蛮人人尽说江南好唐韦庄 | 天堂网av新在线| 亚洲av男天堂| 乱码一卡2卡4卡精品| 热99在线观看视频| 久久久久久久久久久丰满| 3wmmmm亚洲av在线观看| 国产精品一二三区在线看| 99久久九九国产精品国产免费| 国产视频首页在线观看| 欧美潮喷喷水| 久久亚洲精品不卡| 国产69精品久久久久777片| 精品人妻偷拍中文字幕| 国产麻豆成人av免费视频| 边亲边吃奶的免费视频| 简卡轻食公司| 日韩一本色道免费dvd| 久久久色成人| 两个人的视频大全免费| 麻豆成人午夜福利视频| 精品人妻偷拍中文字幕| 久久人人爽人人片av| 日韩一本色道免费dvd| 亚洲国产色片| 欧美一区二区精品小视频在线| 日本欧美国产在线视频| 精品一区二区三区人妻视频| 午夜精品在线福利| 两个人的视频大全免费| 国产美女午夜福利| 在线观看av片永久免费下载| 久久精品夜色国产| 2022亚洲国产成人精品| 日本黄色片子视频| 日韩欧美精品v在线| 麻豆av噜噜一区二区三区| av在线观看视频网站免费| 日韩一区二区三区影片| 亚洲欧美精品专区久久| 晚上一个人看的免费电影| 91av网一区二区| 欧美丝袜亚洲另类| 村上凉子中文字幕在线| 99久国产av精品| 美女大奶头视频| 成人鲁丝片一二三区免费| 只有这里有精品99| 蜜桃亚洲精品一区二区三区| avwww免费| 久久精品国产亚洲网站| 少妇人妻一区二区三区视频| 特大巨黑吊av在线直播| 久久亚洲精品不卡| 老师上课跳d突然被开到最大视频| 18禁黄网站禁片免费观看直播| 99在线视频只有这里精品首页| av专区在线播放| 国产精品一二三区在线看| 欧美日韩国产亚洲二区| 亚洲av男天堂| 一本一本综合久久| 老熟妇乱子伦视频在线观看| 校园人妻丝袜中文字幕| 欧美高清成人免费视频www| 久久99热这里只有精品18| 日本撒尿小便嘘嘘汇集6| 成人亚洲欧美一区二区av| 18禁在线播放成人免费| 亚洲人成网站高清观看| 日本色播在线视频| 三级毛片av免费| ponron亚洲| 毛片女人毛片| 黄色日韩在线| 精品久久久久久久久av| 亚洲第一电影网av| 蜜臀久久99精品久久宅男| 欧美zozozo另类| 亚洲国产日韩欧美精品在线观看| 国内揄拍国产精品人妻在线| 国产亚洲av嫩草精品影院| 亚洲av中文字字幕乱码综合| 免费av毛片视频| 久99久视频精品免费| 亚洲,欧美,日韩| 美女黄网站色视频| 91精品国产九色| 大型黄色视频在线免费观看| 日韩欧美精品免费久久| 成人综合一区亚洲| 26uuu在线亚洲综合色| 亚洲成人久久爱视频| 亚洲成人av在线免费| 国产亚洲91精品色在线| 精品久久久久久成人av| 大型黄色视频在线免费观看| 能在线免费看毛片的网站| 日日摸夜夜添夜夜添av毛片| 在线免费观看的www视频| 能在线免费观看的黄片| 久久鲁丝午夜福利片| 午夜亚洲福利在线播放| av福利片在线观看| 1024手机看黄色片| 国产三级中文精品| 一级av片app| 3wmmmm亚洲av在线观看| 中文在线观看免费www的网站| 国产男人的电影天堂91| 亚洲精华国产精华液的使用体验 | 国产成人午夜福利电影在线观看| 青青草视频在线视频观看| 国产精品国产高清国产av| 中国美女看黄片| 亚洲中文字幕一区二区三区有码在线看| 久久久国产成人免费| 久久久午夜欧美精品| 免费看日本二区| 欧美日韩国产亚洲二区| 国产成人a∨麻豆精品| 亚洲人成网站在线播放欧美日韩| 久久久久网色| 日本与韩国留学比较| 中文字幕免费在线视频6| 国产私拍福利视频在线观看| 天堂av国产一区二区熟女人妻| 国产精品精品国产色婷婷| 日本熟妇午夜| 一本久久精品| 亚洲精品自拍成人| 亚洲av电影不卡..在线观看| 99久久精品热视频| 亚洲丝袜综合中文字幕| 综合色丁香网| 插逼视频在线观看| 一进一出抽搐动态| 日韩中字成人| 天堂网av新在线| or卡值多少钱| 国语自产精品视频在线第100页| 久久国内精品自在自线图片| 2022亚洲国产成人精品| 亚洲美女搞黄在线观看| 天堂√8在线中文| 久久亚洲国产成人精品v| 亚洲国产精品成人综合色| 精品人妻视频免费看| 国产91av在线免费观看| 亚洲av成人av| 搞女人的毛片| 性色avwww在线观看| 午夜福利高清视频| 女的被弄到高潮叫床怎么办| 91麻豆精品激情在线观看国产| 可以在线观看毛片的网站| 免费看美女性在线毛片视频| 精品不卡国产一区二区三区| 最近的中文字幕免费完整| 18禁黄网站禁片免费观看直播| 日韩欧美国产在线观看| 综合色av麻豆| 黄色日韩在线| 日韩 亚洲 欧美在线| 91aial.com中文字幕在线观看| 久久精品国产鲁丝片午夜精品| 少妇的逼好多水| 精品少妇黑人巨大在线播放 | 日本一本二区三区精品| 青春草亚洲视频在线观看| 成年版毛片免费区| 国产人妻一区二区三区在| 国产真实伦视频高清在线观看| 亚洲天堂国产精品一区在线| 噜噜噜噜噜久久久久久91| 国产精品一区二区三区四区免费观看| 精品欧美国产一区二区三| 中文欧美无线码| 级片在线观看| 舔av片在线| 欧美最新免费一区二区三区| 精品人妻熟女av久视频| 最新中文字幕久久久久| 国内精品久久久久精免费| 免费大片18禁| 九九在线视频观看精品| 欧美色欧美亚洲另类二区| 99久久精品热视频| 小蜜桃在线观看免费完整版高清| 男女视频在线观看网站免费| 在线观看av片永久免费下载| 蜜桃久久精品国产亚洲av| 国产成人福利小说| 色综合色国产| 国产淫片久久久久久久久| av免费观看日本| 男女那种视频在线观看| 免费大片18禁| 国产午夜福利久久久久久| 国产69精品久久久久777片| 久久精品国产清高在天天线| kizo精华| 亚洲va在线va天堂va国产| 亚洲真实伦在线观看| 在线播放国产精品三级| 激情 狠狠 欧美| 日本成人三级电影网站| 青春草国产在线视频 | 欧美另类亚洲清纯唯美| 麻豆国产97在线/欧美| 黄色一级大片看看| 简卡轻食公司| 搡女人真爽免费视频火全软件| 国产激情偷乱视频一区二区| 国产成人a∨麻豆精品| 国内少妇人妻偷人精品xxx网站| 一卡2卡三卡四卡精品乱码亚洲| 哪里可以看免费的av片| 欧美不卡视频在线免费观看| 最近2019中文字幕mv第一页| 久久这里只有精品中国| 欧美高清成人免费视频www| 中国美女看黄片| 日本五十路高清| 亚洲国产精品国产精品| 激情 狠狠 欧美| 国产熟女欧美一区二区| 成人二区视频| 少妇的逼好多水| 白带黄色成豆腐渣| 午夜激情福利司机影院| 99热网站在线观看| 国产成人一区二区在线| 美女cb高潮喷水在线观看| 深夜a级毛片| 亚洲三级黄色毛片| 免费人成视频x8x8入口观看| 中文字幕av成人在线电影| 直男gayav资源| 嫩草影院精品99| 国产精品久久久久久久电影| 日本黄色片子视频| 欧美精品国产亚洲| 成年版毛片免费区| 韩国av在线不卡| 我的女老师完整版在线观看| 搞女人的毛片| 人妻少妇偷人精品九色| 婷婷六月久久综合丁香| 亚洲国产日韩欧美精品在线观看| 毛片女人毛片| 少妇丰满av| 午夜视频国产福利| 99riav亚洲国产免费| 国产一区二区三区av在线 | 国产高清有码在线观看视频| 国内少妇人妻偷人精品xxx网站| 99久久人妻综合| 中国国产av一级| 国产成人精品久久久久久| 成熟少妇高潮喷水视频| 淫秽高清视频在线观看| 精品不卡国产一区二区三区| 久久精品国产99精品国产亚洲性色| 深夜精品福利| 国产精品.久久久| 久久人人爽人人片av| 免费不卡的大黄色大毛片视频在线观看 | 青春草国产在线视频 | 精品人妻一区二区三区麻豆| 少妇裸体淫交视频免费看高清| 国产高潮美女av| 久久精品国产鲁丝片午夜精品| 一级毛片久久久久久久久女| 国内精品美女久久久久久| 国产69精品久久久久777片| 精品一区二区免费观看| 99久久精品一区二区三区| 亚洲av第一区精品v没综合| 亚洲无线观看免费| 亚洲欧美精品专区久久| 狂野欧美白嫩少妇大欣赏| 国产午夜精品久久久久久一区二区三区| 亚洲欧美精品综合久久99| 久久久久久久久大av| 啦啦啦观看免费观看视频高清| 九九热线精品视视频播放| 伊人久久精品亚洲午夜| 插阴视频在线观看视频| 亚洲一区二区三区色噜噜| 美女 人体艺术 gogo| 欧美bdsm另类| 国产精品蜜桃在线观看 | 嫩草影院新地址| 亚洲人成网站在线观看播放| 综合色av麻豆| 人妻制服诱惑在线中文字幕| 毛片女人毛片| 蜜臀久久99精品久久宅男|