• <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
    欧美大码av| 亚洲伊人色综图| kizo精华| 一级,二级,三级黄色视频| 欧美黄色淫秽网站| 丝袜美足系列| 久久婷婷成人综合色麻豆| 久热这里只有精品99| www.999成人在线观看| 中亚洲国语对白在线视频| 成年女人毛片免费观看观看9 | 国产成+人综合+亚洲专区| 天天躁夜夜躁狠狠躁躁| 成人亚洲精品一区在线观看| 中文欧美无线码| 国产亚洲午夜精品一区二区久久| 亚洲欧美一区二区三区久久| 亚洲国产毛片av蜜桃av| 天天添夜夜摸| bbb黄色大片| 精品一区二区三区av网在线观看 | 久久人妻熟女aⅴ| 老司机午夜十八禁免费视频| 色播在线永久视频| 丝袜在线中文字幕| 波多野结衣av一区二区av| 国产男靠女视频免费网站| 久久中文字幕一级| 丝袜人妻中文字幕| 亚洲伊人久久精品综合| av天堂久久9| 国产免费视频播放在线视频| 欧美乱码精品一区二区三区| 欧美国产精品va在线观看不卡| 午夜两性在线视频| 极品人妻少妇av视频| 一进一出抽搐动态| 淫妇啪啪啪对白视频| a级毛片黄视频| 欧美 日韩 精品 国产| 免费少妇av软件| 99在线人妻在线中文字幕 | 又紧又爽又黄一区二区| 天堂俺去俺来也www色官网| 波多野结衣av一区二区av| 老司机影院毛片| 无人区码免费观看不卡 | 国产亚洲精品久久久久5区| 日本vs欧美在线观看视频| 日日夜夜操网爽| 国产精品国产高清国产av | 久久精品熟女亚洲av麻豆精品| 日韩免费av在线播放| 久久久久久久大尺度免费视频| 日韩免费av在线播放| 亚洲美女黄片视频| 午夜免费成人在线视频| 国产日韩欧美亚洲二区| avwww免费| 精品少妇黑人巨大在线播放| 亚洲av电影在线进入| 69av精品久久久久久 | 中文亚洲av片在线观看爽 | 日韩精品免费视频一区二区三区| 久久久精品免费免费高清| 国产三级黄色录像| 啪啪无遮挡十八禁网站| 国产精品秋霞免费鲁丝片| 国产精品免费大片| 亚洲欧美日韩高清在线视频 | 岛国毛片在线播放| 久久久精品国产亚洲av高清涩受| 精品国产国语对白av| 新久久久久国产一级毛片| 欧美日韩中文字幕国产精品一区二区三区 | 少妇被粗大的猛进出69影院| 如日韩欧美国产精品一区二区三区| 久久人人爽av亚洲精品天堂| 欧美日韩亚洲高清精品| 亚洲九九香蕉| 亚洲第一欧美日韩一区二区三区 | 成人免费观看视频高清| 少妇的丰满在线观看| 亚洲自偷自拍图片 自拍| 天天躁狠狠躁夜夜躁狠狠躁| 一级,二级,三级黄色视频| 久久影院123| 建设人人有责人人尽责人人享有的| 精品乱码久久久久久99久播| 热99re8久久精品国产| netflix在线观看网站| 亚洲美女黄片视频| 狠狠狠狠99中文字幕| 欧美另类亚洲清纯唯美| 丰满饥渴人妻一区二区三| 91精品三级在线观看| 国产极品粉嫩免费观看在线| 欧美性长视频在线观看| 日韩欧美三级三区| 国产成人一区二区三区免费视频网站| 免费日韩欧美在线观看| 久久av网站| 国产精品成人在线| 色播在线永久视频| 久久狼人影院| 欧美精品一区二区免费开放| 亚洲欧美一区二区三区久久| 80岁老熟妇乱子伦牲交| 亚洲熟女精品中文字幕| 日韩免费高清中文字幕av| 欧美在线黄色| 国产精品成人在线| 美女福利国产在线| 国产淫语在线视频| 成人黄色视频免费在线看| 久久 成人 亚洲| 精品亚洲乱码少妇综合久久| 国产精品 国内视频| 国产精品一区二区在线不卡| 超碰97精品在线观看| 欧美激情极品国产一区二区三区| 国产单亲对白刺激| 欧美激情久久久久久爽电影 | 精品国产国语对白av| 搡老岳熟女国产| 视频在线观看一区二区三区| 高潮久久久久久久久久久不卡| 亚洲全国av大片| 国产精品自产拍在线观看55亚洲 | 一区二区三区国产精品乱码| 美女视频免费永久观看网站| 99精国产麻豆久久婷婷| 亚洲综合色网址| 97人妻天天添夜夜摸| h视频一区二区三区| 露出奶头的视频| 久久久久久亚洲精品国产蜜桃av| 建设人人有责人人尽责人人享有的| 日韩三级视频一区二区三区| 久久久国产一区二区| 国产日韩欧美视频二区| 在线天堂中文资源库| 日本撒尿小便嘘嘘汇集6| 成年人午夜在线观看视频| 他把我摸到了高潮在线观看 | 免费黄频网站在线观看国产| 亚洲五月婷婷丁香| 99久久99久久久精品蜜桃| 国产真人三级小视频在线观看| 又大又爽又粗| 夜夜骑夜夜射夜夜干| 午夜福利乱码中文字幕| 国产精品久久久久久精品古装| 在线天堂中文资源库| 国产单亲对白刺激| 飞空精品影院首页| 国产成人精品无人区| 国产精品一区二区免费欧美| 欧美精品高潮呻吟av久久| 亚洲av国产av综合av卡| 午夜91福利影院| 国产不卡一卡二| 久久精品成人免费网站| 一区二区三区乱码不卡18| avwww免费| 波多野结衣一区麻豆| 精品国产国语对白av| 久久亚洲精品不卡| tocl精华| 两性午夜刺激爽爽歪歪视频在线观看 | 天天躁日日躁夜夜躁夜夜| 国产精品香港三级国产av潘金莲| 99精品久久久久人妻精品| av电影中文网址| 他把我摸到了高潮在线观看 | 国产又色又爽无遮挡免费看| 精品熟女少妇八av免费久了| 中文字幕精品免费在线观看视频| 精品人妻熟女毛片av久久网站| 日韩一卡2卡3卡4卡2021年| 777久久人妻少妇嫩草av网站| 久久久欧美国产精品| av网站免费在线观看视频| 亚洲一卡2卡3卡4卡5卡精品中文| 性少妇av在线| 免费不卡黄色视频| 国产一区二区 视频在线| 国产精品1区2区在线观看. | 99国产精品一区二区蜜桃av | 亚洲国产成人一精品久久久| 国产免费福利视频在线观看| 中文字幕高清在线视频| 国产精品免费一区二区三区在线 | 国产男女内射视频| 国产男靠女视频免费网站| 一级片免费观看大全| 久久99热这里只频精品6学生| 精品亚洲成国产av| 欧美日韩一级在线毛片| 精品少妇一区二区三区视频日本电影| 国产一区二区激情短视频| 亚洲avbb在线观看| 悠悠久久av| 精品免费久久久久久久清纯 | 欧美亚洲日本最大视频资源| av网站免费在线观看视频| 日日爽夜夜爽网站| 国产主播在线观看一区二区| 成人国语在线视频| 久久久久久久大尺度免费视频| 天天操日日干夜夜撸| 一级毛片女人18水好多| 亚洲视频免费观看视频| 欧美成人免费av一区二区三区 | 一个人免费看片子| 日韩有码中文字幕| 亚洲色图av天堂| 国产精品.久久久| 高清av免费在线| 18禁观看日本| 久久午夜亚洲精品久久| 黄色成人免费大全| 最近最新中文字幕大全免费视频| netflix在线观看网站| 国产一卡二卡三卡精品| 国产精品亚洲av一区麻豆| 黄网站色视频无遮挡免费观看| 99精国产麻豆久久婷婷| 日本av手机在线免费观看| 搡老岳熟女国产| 69精品国产乱码久久久| 国产精品亚洲一级av第二区| 精品福利永久在线观看| 亚洲自偷自拍图片 自拍| 国产欧美日韩精品亚洲av| 色综合欧美亚洲国产小说| 丝袜在线中文字幕| 超色免费av| 国产成+人综合+亚洲专区| 精品少妇黑人巨大在线播放| 成人影院久久| 午夜福利乱码中文字幕| 久久久久国产一级毛片高清牌| 国产高清视频在线播放一区| 亚洲国产欧美一区二区综合| 亚洲成人手机| 国产午夜精品久久久久久| 午夜久久久在线观看| 亚洲伊人色综图| 国产精品成人在线| 亚洲五月色婷婷综合| 亚洲性夜色夜夜综合| 高清在线国产一区| 亚洲国产毛片av蜜桃av| av片东京热男人的天堂| 纯流量卡能插随身wifi吗| 一级,二级,三级黄色视频| 精品久久久精品久久久| 露出奶头的视频| 国产精品一区二区免费欧美| 蜜桃在线观看..| 首页视频小说图片口味搜索| 丝瓜视频免费看黄片| 亚洲人成电影观看| 97人妻天天添夜夜摸| 天天添夜夜摸| 精品少妇内射三级| 欧美黄色片欧美黄色片| 一级毛片电影观看| 午夜福利乱码中文字幕| 色综合欧美亚洲国产小说| 韩国精品一区二区三区| 亚洲五月婷婷丁香| 中文字幕高清在线视频| 韩国精品一区二区三区| 国产一区二区三区在线臀色熟女 | 真人做人爱边吃奶动态| 亚洲熟女毛片儿| 久久精品国产亚洲av香蕉五月 | 精品熟女少妇八av免费久了| 午夜日韩欧美国产| 97在线人人人人妻| 狠狠狠狠99中文字幕| svipshipincom国产片| 另类精品久久| 美女高潮到喷水免费观看| 国产区一区二久久| 激情在线观看视频在线高清 | 久久久国产精品麻豆| 可以免费在线观看a视频的电影网站| 下体分泌物呈黄色| 99re6热这里在线精品视频| 亚洲综合色网址| 十八禁高潮呻吟视频| 最新的欧美精品一区二区| 亚洲自偷自拍图片 自拍| 五月开心婷婷网| 欧美大码av| av欧美777| 人人妻人人澡人人看| 动漫黄色视频在线观看| 在线观看免费日韩欧美大片| 建设人人有责人人尽责人人享有的| 亚洲av欧美aⅴ国产| 无限看片的www在线观看| 久久久国产精品麻豆| 精品少妇久久久久久888优播| 国产精品久久久人人做人人爽| 狂野欧美激情性xxxx| 成人国产一区最新在线观看| 国产极品粉嫩免费观看在线| 18禁观看日本| 一区在线观看完整版| 下体分泌物呈黄色| 老鸭窝网址在线观看| 免费日韩欧美在线观看| 在线看a的网站| 国产成+人综合+亚洲专区| 人人妻人人澡人人爽人人夜夜| 国产99久久九九免费精品| 国产91精品成人一区二区三区 | 日本黄色日本黄色录像| 精品一区二区三区av网在线观看 | 久久久国产一区二区| 91成人精品电影| 国产精品秋霞免费鲁丝片| 欧美日韩亚洲高清精品| 操出白浆在线播放| 国产欧美日韩一区二区三区在线| 国产极品粉嫩免费观看在线| 成人国产一区最新在线观看| 精品一区二区三区四区五区乱码| 日韩欧美国产一区二区入口| 精品国产一区二区久久| 欧美+亚洲+日韩+国产| tocl精华| 老熟妇仑乱视频hdxx| 免费观看a级毛片全部| 亚洲av美国av| 成人三级做爰电影| av在线播放免费不卡| 久久久久国产一级毛片高清牌| 精品亚洲成a人片在线观看| 99热国产这里只有精品6| 悠悠久久av| 男人操女人黄网站| 亚洲精品中文字幕在线视频| 久久午夜亚洲精品久久| 飞空精品影院首页| 18禁黄网站禁片午夜丰满| 久久久久久人人人人人| 热99re8久久精品国产| 国产欧美日韩一区二区三区在线| 99久久国产精品久久久| 日本五十路高清| 国产亚洲精品第一综合不卡| 女警被强在线播放| 成人永久免费在线观看视频 | 丰满迷人的少妇在线观看| 国产免费av片在线观看野外av| 国产精品 欧美亚洲| 国产日韩欧美在线精品| 国产激情久久老熟女| 啦啦啦免费观看视频1| 亚洲国产欧美在线一区| 日韩视频在线欧美| 美女扒开内裤让男人捅视频| 久久毛片免费看一区二区三区| 国产精品 欧美亚洲| 一区二区日韩欧美中文字幕| 欧美大码av| 欧美激情 高清一区二区三区| 91大片在线观看| 国产精品免费一区二区三区在线 | 9191精品国产免费久久| 免费观看人在逋| 我要看黄色一级片免费的| 性色av乱码一区二区三区2| 中文字幕精品免费在线观看视频| 国产成人精品久久二区二区91| 色老头精品视频在线观看| 亚洲一码二码三码区别大吗| 在线观看66精品国产| 这个男人来自地球电影免费观看| 男女高潮啪啪啪动态图| 久久亚洲精品不卡| 国产人伦9x9x在线观看| 91精品三级在线观看| 免费在线观看日本一区| 女性生殖器流出的白浆| 黑人操中国人逼视频| 大陆偷拍与自拍| 99久久99久久久精品蜜桃| 亚洲性夜色夜夜综合| 成人永久免费在线观看视频 | 在线观看www视频免费| 久久午夜亚洲精品久久| 日韩制服丝袜自拍偷拍| 亚洲成国产人片在线观看| 无遮挡黄片免费观看| 成年女人毛片免费观看观看9 | 久久久久精品人妻al黑| 丝袜美足系列| 18禁美女被吸乳视频| 欧美精品啪啪一区二区三区| 母亲3免费完整高清在线观看| 久热爱精品视频在线9| 一边摸一边抽搐一进一小说 | 国产精品二区激情视频| 真人做人爱边吃奶动态| 免费观看人在逋| 欧美激情久久久久久爽电影 | 人人妻,人人澡人人爽秒播| 狂野欧美白嫩少妇大欣赏| 女人高潮潮喷娇喘18禁视频| 欧美日韩亚洲国产一区二区在线观看| 国产精品一及| 美女被艹到高潮喷水动态| a级毛片a级免费在线| 中文资源天堂在线| 亚洲中文av在线| 久久久精品大字幕| 小说图片视频综合网站| 欧美中文综合在线视频| 日韩精品青青久久久久久| 久久久色成人| 亚洲最大成人中文| 亚洲中文av在线| 淫妇啪啪啪对白视频| 草草在线视频免费看| 国产精品亚洲av一区麻豆| 此物有八面人人有两片| 国产美女午夜福利| 亚洲电影在线观看av| 亚洲精华国产精华精| 成人高潮视频无遮挡免费网站| 亚洲国产欧洲综合997久久,| 国产真实乱freesex| 日韩精品中文字幕看吧| 亚洲熟妇中文字幕五十中出| 久久久久国产一级毛片高清牌| 久久久久久九九精品二区国产| 精品久久久久久久末码| www日本在线高清视频| 精品久久久久久久毛片微露脸| 欧美一级a爱片免费观看看| 免费av毛片视频| 精品99又大又爽又粗少妇毛片 | 国产精品久久久久久精品电影| 亚洲欧美精品综合久久99| 精品欧美国产一区二区三| 变态另类成人亚洲欧美熟女| 香蕉国产在线看| 日韩精品青青久久久久久| 女人被狂操c到高潮| 婷婷六月久久综合丁香| 啦啦啦韩国在线观看视频| 日韩三级视频一区二区三区| 国产免费男女视频| 丝袜人妻中文字幕| 久久精品人妻少妇| 欧美成人免费av一区二区三区| 一进一出好大好爽视频| 亚洲av中文字字幕乱码综合| 最近最新中文字幕大全免费视频| 日韩中文字幕欧美一区二区| 国产精品美女特级片免费视频播放器 | 久久亚洲真实| 1000部很黄的大片| 性欧美人与动物交配| 国产蜜桃级精品一区二区三区| 日韩大尺度精品在线看网址| 在线观看美女被高潮喷水网站 | 久久国产精品人妻蜜桃| a级毛片a级免费在线| 又黄又爽又免费观看的视频| 欧美成狂野欧美在线观看| 波多野结衣高清无吗| 成人亚洲精品av一区二区| 欧美黄色片欧美黄色片| 中文资源天堂在线| 欧美xxxx黑人xx丫x性爽| 午夜视频精品福利| 精品午夜福利视频在线观看一区| 美女高潮喷水抽搐中文字幕| 欧美乱码精品一区二区三区| 中国美女看黄片| 日韩人妻高清精品专区| 亚洲avbb在线观看| 99在线人妻在线中文字幕| 久久精品亚洲精品国产色婷小说| 午夜福利在线观看吧| 国产高潮美女av| 亚洲精品456在线播放app | 国产亚洲精品一区二区www| 日本 欧美在线| 国产精品综合久久久久久久免费| 91麻豆av在线| 欧美黑人欧美精品刺激| 亚洲国产日韩欧美精品在线观看 | 亚洲第一电影网av| 欧美日韩中文字幕国产精品一区二区三区| 国产精品国产高清国产av| 真人一进一出gif抽搐免费| 久久久国产欧美日韩av| 亚洲欧洲精品一区二区精品久久久| 国产精品日韩av在线免费观看| 免费在线观看视频国产中文字幕亚洲| 又大又爽又粗| 国产av在哪里看| 国产av一区在线观看免费| 亚洲精品粉嫩美女一区| 少妇熟女aⅴ在线视频| 午夜精品在线福利| 成人三级黄色视频| 亚洲在线观看片| 精品国产乱码久久久久久男人| 国产精品亚洲一级av第二区| 亚洲欧美激情综合另类| 亚洲激情在线av| 9191精品国产免费久久| 日韩高清综合在线| 亚洲真实伦在线观看| 日韩欧美国产在线观看| 99国产综合亚洲精品| 久久香蕉精品热| 日本撒尿小便嘘嘘汇集6| 他把我摸到了高潮在线观看| 亚洲成av人片在线播放无| 18美女黄网站色大片免费观看| 国产三级中文精品| 伦理电影免费视频| 听说在线观看完整版免费高清| 在线观看免费视频日本深夜| 老司机午夜十八禁免费视频| 久久精品国产清高在天天线| 国产亚洲精品一区二区www| 午夜免费激情av| 午夜福利18| 精品久久久久久久久久免费视频| 国内毛片毛片毛片毛片毛片| 国产午夜福利久久久久久| 少妇的丰满在线观看| 国产高清视频在线观看网站| 少妇熟女aⅴ在线视频| 久9热在线精品视频| 午夜福利欧美成人| 国产精品电影一区二区三区| 母亲3免费完整高清在线观看| 成人国产一区最新在线观看| 亚洲欧洲精品一区二区精品久久久| 久久久精品欧美日韩精品| 精品不卡国产一区二区三区| 99久久精品国产亚洲精品| 国产精品免费一区二区三区在线| 国产精品99久久久久久久久| 国产欧美日韩一区二区精品| 国产一区在线观看成人免费| 国产激情偷乱视频一区二区| 欧美xxxx黑人xx丫x性爽| 99久久久亚洲精品蜜臀av| 很黄的视频免费| 亚洲国产精品合色在线| 国产又色又爽无遮挡免费看| 精品99又大又爽又粗少妇毛片 | 男人舔女人下体高潮全视频| svipshipincom国产片| 亚洲,欧美精品.| 波多野结衣巨乳人妻| 国模一区二区三区四区视频 | 黄色丝袜av网址大全| 黄色视频,在线免费观看| 久久香蕉精品热| 老司机午夜福利在线观看视频| 亚洲熟妇中文字幕五十中出| 免费无遮挡裸体视频| 免费在线观看成人毛片| 亚洲精品色激情综合| 欧美激情久久久久久爽电影| 三级毛片av免费| 黄片小视频在线播放| 特级一级黄色大片| 欧美日韩福利视频一区二区| 亚洲美女视频黄频| 久久久久免费精品人妻一区二区| 亚洲色图 男人天堂 中文字幕| av欧美777| 久久精品国产综合久久久| 两性夫妻黄色片| avwww免费| 在线观看舔阴道视频| 后天国语完整版免费观看| 日本 av在线| 好看av亚洲va欧美ⅴa在| 好男人在线观看高清免费视频| 国产高清激情床上av| 国产午夜精品论理片| 国产淫片久久久久久久久 | 亚洲国产高清在线一区二区三| 99久国产av精品| 午夜福利免费观看在线| 中文亚洲av片在线观看爽| 老司机福利观看| 精品久久久久久久毛片微露脸| 精品一区二区三区视频在线观看免费| 欧美一级毛片孕妇| a级毛片a级免费在线| 欧美日韩黄片免| 精品久久久久久成人av| 国产精品精品国产色婷婷| 亚洲成人久久性| 国产人伦9x9x在线观看| 亚洲精品中文字幕一二三四区| 此物有八面人人有两片| 精品一区二区三区av网在线观看|