• <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(jìn)K中心點(diǎn)聚類的船舶典型軌跡自適應(yīng)挖掘算法

    2021-10-08 04:34:45李倍瑩張新宇沈忱姚海元齊越
    關(guān)鍵詞:自適應(yīng)

    李倍瑩 張新宇 沈忱 姚海元 齊越

    摘要:針對目前船舶典型軌跡的挖掘多以軌跡段作為基本單元,導(dǎo)致聚類對象較為復(fù)雜且聚類參數(shù)難以確定的問題,本文提出一種基于改進(jìn)K中心點(diǎn)聚類的船舶典型軌跡自適應(yīng)挖掘算法。算法以軌跡點(diǎn)作為聚類對象,分析船舶的航速、航向特征并對軌跡點(diǎn)進(jìn)行壓縮;將分段均方根誤差引入K中心點(diǎn)聚類算法,實(shí)現(xiàn)聚類參數(shù)的自適應(yīng)選擇;提取其中的聚類中心點(diǎn)作為軌跡特征點(diǎn),得到不同類別船舶的典型軌跡。以天津港主航道船舶自動識別系統(tǒng)(automatic identification system, AIS)數(shù)據(jù)為例,基于地理信息系統(tǒng)平臺ArcGIS實(shí)現(xiàn)聚類結(jié)果的可視化展示。實(shí)驗(yàn)結(jié)果表明,運(yùn)用該算法得到的船舶典型軌跡與實(shí)際相符,自適應(yīng)程度較高。研究結(jié)果對于輔助船舶軌跡異常檢測及挖掘海上交通特征具有重要意義。

    關(guān)鍵詞:? 海上交通數(shù)據(jù)挖掘; 船舶典型軌跡; K中心點(diǎn)聚類; 軌跡特征點(diǎn); 自適應(yīng)

    中圖分類號:? U675.79

    文獻(xiàn)標(biāo)志碼:? A

    收稿日期: 2021-03-25

    修回日期: 2021-05-12

    基金項(xiàng)目: 國家自然科學(xué)基金(51779028)

    作者簡介:

    李倍瑩(1997—),女,黑龍江鶴崗人,碩士研究生,研究方向?yàn)楹J麓髷?shù)據(jù)挖掘,(E-mail)libeiying0413@163.com;

    張新宇(1978—),男,吉林長春人,教授,博導(dǎo),博士,研究方向?yàn)楹J麓髷?shù)據(jù)、船舶交通組織,(E-mail)zhangxy@dlmu.edu.com

    Meeting of the Waterborne Transport Division, World Transport Convention 2021 (WTC 2021)

    Adaptive algorithm for ship typical trajectory mining based on improved K-medoids clustering

    LI Beiying1, ZHANG Xinyu1, SHEN Chen2, YAO Haiyuan2, QI Yue2

    (1. Navigation College, Dalian Maritime University, Dalian 116026, Liaoning, China;

    2. Transport Planning and Research Institute, Ministry of Transport, Beijing 100028, China)

    Abstract: Currently, the trajectory segment is taken as the basic unit in the ship typical trajectory mining, which leads to complex clustering objects and difficulty in determining cluster parameters. To solve the problem, the adaptive algorithm for ship typical trajectory mining based on the improved K-medoids clustering is proposed. The algorithm takes trajectory points as clustering objects. The characteristics of ship speed and course are analyzed, and the trajectory points are compressed; the segmented root mean square error is introduced into the K-medoids clustering algorithm to realize the adaptive selection of clustering parameters; the cluster center points are extracted as the trajectory feature points, and the typical trajectories of different types of ships are obtained. Taking automatic identification system (AIS) data of the main channel of Tianjin Port as an example, this paper realizes the visualization of clustering results based on the geographic information system platform ArcGIS. The experimental results show that the ship typical trajectories obtained by the algorithm are consistent with the actual situation, and the degree of self-adaptation is high. The research results are of great significance to assist the detection of abnormal ship trajectories and mine the characteristics of marine traffic flow.

    Key words: marine traffic data mining; ship typical trajectory; K-medoids clustering; trajectory feature point; self-adaption

    0 引 言

    隨著經(jīng)濟(jì)的快速發(fā)展,海上交通密度逐年上升,船舶也呈現(xiàn)出大型化、高速化發(fā)展趨勢,海上通航安全管理變得愈發(fā)困難。船舶自動識別系統(tǒng)(automatic identification system, AIS)作為一種新型助航系統(tǒng),能夠發(fā)送海量的、表征船舶運(yùn)動狀態(tài)的數(shù)據(jù)。對AIS數(shù)據(jù)進(jìn)行深度挖掘,可發(fā)現(xiàn)船舶的典型行為模式,其中,最為直觀的船舶行為模式由船舶軌跡體現(xiàn)。對船舶軌跡數(shù)據(jù)進(jìn)行聚類分析,挖掘出船舶典型的運(yùn)動軌跡,可為船舶軌跡異常檢測[1]和航跡預(yù)測[2]提供技術(shù)支持,還可用于船舶航行時(shí)間預(yù)測[3]、航路規(guī)劃[4]和船舶交通流特征分析[5]等。

    目前,船舶軌跡數(shù)據(jù)聚類分析方法主要有:基于軌跡段的聚類方法和基于軌跡點(diǎn)的聚類方法[6]?;谲壽E段的聚類方法通過采用相關(guān)的聚類算法對船舶軌跡數(shù)據(jù)進(jìn)行聚類,得到具有相似運(yùn)動模式的軌跡簇。根據(jù)聚類對象的不同,基于軌跡段的聚類可分為基于軌跡整體的聚類和基于軌跡片段的聚類兩種模式。LI等[7]將船舶軌跡整體作為聚類對象,用不同軌跡間的距離衡量軌跡之間的相似度;牟軍敏等[8]、曹妍妍等[9]運(yùn)用軌跡整體的典型特征對物體的軌跡進(jìn)行聚類,將改進(jìn)的Hausdorff距離作為度量軌跡整體間相似度的指標(biāo),得到最終的聚類結(jié)果。LEE等[10]首先提出一種基于軌跡段的聚類算法,用最小描述長度原則對軌跡進(jìn)行分割,然后運(yùn)用基于密度的線段聚類算法,得到船舶的公共子軌跡;江玉玲等[11]提出一種改進(jìn)的軌跡段聚類算法DBSCAN(density-based spatial clustering of applications with noise),將離散Fréchet距離作為軌跡段間相似度的衡量標(biāo)準(zhǔn),最終得出船舶典型軌跡。以上將船舶軌跡段作為聚類對象的方法雖能夠較好地反映軌跡片段的特征,但難以確定軌跡之間的相似度閾值,且對線段進(jìn)行聚類的算法較為復(fù)雜,難以將軌跡片段相連構(gòu)成船舶典型軌跡?;谲壽E點(diǎn)的聚類方法通常將AIS數(shù)據(jù)中由經(jīng)緯度坐標(biāo)表示的船舶位置散點(diǎn)作為聚類對象,進(jìn)而劃分船舶軌跡的類簇,得到船舶的軌跡特征模式。LIU等[12]結(jié)合船舶的航速和航向特征,在DBSCAN的基礎(chǔ)上提出DBSCANSD算法,對AIS數(shù)據(jù)中船舶軌跡點(diǎn)進(jìn)行聚類,提取船舶的主要航行軌跡;王莉莉等[13]提出基于航跡點(diǎn)特征的時(shí)間窗分割算法,并運(yùn)用K均值聚類算法進(jìn)行聚類得到航空器的中心航跡;王森杰等[14]以船舶軌跡點(diǎn)為研究對象,提出一種分層建模的船舶軌跡聚類算法,并通過改進(jìn)道格拉斯-普克算法提取船舶軌跡特征點(diǎn),實(shí)現(xiàn)船舶軌跡點(diǎn)的快速聚類。運(yùn)用船舶軌跡點(diǎn)進(jìn)行聚類具有運(yùn)算效率高、聚類對象簡單的特點(diǎn),但聚類參數(shù)的確定也是一大難點(diǎn)。

    針對船舶軌跡段聚類算法復(fù)雜程度較高的問題,本文將經(jīng)過壓縮后的船舶軌跡點(diǎn)作為聚類對象,簡化聚類過程,降低其復(fù)雜程度;為解決傳統(tǒng)的軌跡點(diǎn)聚類算法自適應(yīng)程度較低的問題,本文提出一種綜合考慮船舶航速、航向特征,結(jié)合分段均方根誤差,實(shí)現(xiàn)自適應(yīng)地對不同類別船舶的軌跡點(diǎn)進(jìn)行聚類的典型軌跡挖掘算法。

    1 船舶軌跡點(diǎn)數(shù)據(jù)預(yù)處理

    經(jīng)過解碼后的船舶AIS數(shù)據(jù),還需要經(jīng)過清洗才能使用。清洗過程包括刪除重復(fù)的AIS數(shù)據(jù),刪除有明顯錯誤的數(shù)據(jù),刪除不符合常識的異常數(shù)據(jù)等。為減少計(jì)算量,提高算法的運(yùn)行效率,首先需要構(gòu)建能夠表示船舶軌跡點(diǎn)的數(shù)據(jù)結(jié)構(gòu),在此基礎(chǔ)上對船舶的軌跡點(diǎn)進(jìn)行壓縮,得到用于船舶典型軌跡挖掘的聚類點(diǎn)集。

    1.1 船舶軌跡點(diǎn)數(shù)據(jù)結(jié)構(gòu)的建立

    AIS數(shù)據(jù)中蘊(yùn)含了豐富的表示船舶特性的信息,包括船舶海上移動通信業(yè)務(wù)識別碼(maritime mobile service identity, MMSI)、船名、船舶呼號、船舶類型、船長、船寬、船舶吃水等靜態(tài)信息,以及船舶位置(經(jīng)度、緯度)、對地船速、對地航向、船首向、接收時(shí)間等動態(tài)信息。

    船舶航行的軌跡點(diǎn)是由一系列隨空間和時(shí)間變化的散點(diǎn)表征和確定的,而這些散點(diǎn)可以用上述AIS數(shù)據(jù)中的部分信息表示?;诖?,本文的船舶軌跡點(diǎn)數(shù)據(jù)結(jié)構(gòu)包括:經(jīng)度、緯度,表示船舶的位置屬性;對地船速,表示船舶的速度屬性;對地航向,表示船舶的方向?qū)傩?接收時(shí)間,表示船舶位置的時(shí)間屬性;船舶類型、船長、船寬,表示船舶的靜態(tài)屬性。

    通過建立船舶軌跡點(diǎn)的數(shù)據(jù)結(jié)構(gòu),保留了能夠反映船舶軌跡點(diǎn)的信息,剔除了冗余信息,從而提高了軌跡數(shù)據(jù)的存儲效率和船舶典型軌跡的挖掘效率。

    1.2 船舶軌跡點(diǎn)壓縮

    設(shè)Ti,j為在某時(shí)刻某船的軌跡信息,其中,i為該船的MMSI,j為具有同一MMSI的船舶的軌跡點(diǎn)次序。因此,Ti,j和Ti,j+1分別表示具有相同MMSI的船舶按照接收時(shí)間進(jìn)行排序后得到的相鄰軌跡點(diǎn)信息,其中,tj和tj+1分別表示相鄰軌跡點(diǎn)的發(fā)送時(shí)間,vj和vj+1分別表示相鄰軌跡點(diǎn)處的航速大小,cj和cj+1分別表示相鄰軌跡點(diǎn)處的航向。船舶相鄰軌跡點(diǎn)的航速變化率和航向變化率計(jì)算方法如下:

    v′=ΔvΔt=vj+1-vjtj+1-tj

    c′=ΔcΔt=cj+1-cjtj+1-tj

    (1)

    航速變化率和航向變化率的示意圖見圖1。

    在對船舶軌跡點(diǎn)進(jìn)行壓縮之前,需要確定航速變化率和航向變化率的閾值。若選擇的閾值太小,則會導(dǎo)致軌跡點(diǎn)數(shù)量過多,在進(jìn)行數(shù)據(jù)存儲時(shí)會浪費(fèi)一定的空間,且算法的運(yùn)行時(shí)間會增加;若選擇的

    閾值太大,則會導(dǎo)致軌跡點(diǎn)數(shù)量過少,用于聚類的點(diǎn)較少,難以保證聚類結(jié)果的準(zhǔn)確度。因此,一般將航速變化率和航向變化率的閾值設(shè)為各自的平均值[15],分別記為v′、c′。

    船舶軌跡點(diǎn)壓縮的流程如下:

    (1)分別將每艘船軌跡的起點(diǎn)、終點(diǎn)作為備選點(diǎn)。

    (2)計(jì)算每艘船軌跡點(diǎn)的航速變化率、航向變化率及各自的平均值。

    (3)從第二個軌跡點(diǎn)開始,首先判斷軌跡點(diǎn)處的航速變化率情況。若v′>v′,則將該點(diǎn)作為備選點(diǎn),否則改為判斷航向變化率情況;若c′>

    c′,則將該點(diǎn)選為備選點(diǎn),否則該點(diǎn)不是備選點(diǎn)。依次遍歷直至倒數(shù)第二個軌跡點(diǎn)。

    (4)將篩選出的船舶軌跡點(diǎn)依次按照MMSI、接收時(shí)間進(jìn)行排序,得到船舶軌跡備選點(diǎn)的集合,作為壓縮后的船舶軌跡點(diǎn)集,用于后續(xù)船舶典型軌跡的挖掘。

    2 船舶典型軌跡挖掘模型

    本文的船舶典型軌跡挖掘算法是基于軌跡點(diǎn)的聚類算法,在得到經(jīng)過清洗和預(yù)處理的船舶軌跡點(diǎn)數(shù)據(jù)后,運(yùn)用自適應(yīng)K中心點(diǎn)聚類算法進(jìn)行聚類,通過將傳統(tǒng)的K中心點(diǎn)聚類算法與分段均方根誤差評價(jià)指標(biāo)相結(jié)合,自適應(yīng)尋找局部最佳K值,最終將聚類中心點(diǎn)相連得到船舶典型軌跡,具體的技術(shù)路線見圖2。

    2.1 K中心點(diǎn)聚類算法原理

    K均值聚類算法和K中心點(diǎn)聚類算法是兩種典型的基于劃分的聚類方法。當(dāng)樣本數(shù)據(jù)中存在噪聲點(diǎn)時(shí),使用K均值聚類算法進(jìn)行聚類會導(dǎo)致結(jié)果產(chǎn)生一定的誤差。為削弱噪聲數(shù)據(jù)對聚類結(jié)果的影響,本文采用K中心點(diǎn)聚類算法對船舶軌跡特征點(diǎn)進(jìn)行聚類。該算法步驟與K均值聚類算法步驟大體相似,區(qū)別在于:K均值聚類算法通過計(jì)算當(dāng)前類簇中所有數(shù)據(jù)點(diǎn)的平均值來確定聚類中心,而K中心點(diǎn)聚類算法將聚類中心選為當(dāng)前類簇?cái)?shù)據(jù)點(diǎn)中的一點(diǎn)。

    算法所需的定義如下:

    定義1 任意兩樣本點(diǎn)i(xi,yi)與點(diǎn)j(xj,yj)之間的距離d采用歐幾里得距離公式進(jìn)行計(jì)算:

    d=(xi-xj)2+(yi-yj)2

    (2)

    式中:i,j=1,2,…,n。

    定義2 聚類的絕對誤差E:

    E=wm=1P∈cnPO2m

    (3)

    式中:Om為選取的聚類中心點(diǎn),m=1,2,…,w;P為類簇cn中的樣本點(diǎn)。

    具體的算法流程[16]如下:

    步驟1 從樣本數(shù)據(jù)中隨機(jī)選取w個初始對象(O1,O2,…,Ow)作為初始聚類中心點(diǎn)。

    步驟2 根據(jù)式(2)計(jì)算其他樣本點(diǎn)到各聚類中心點(diǎn)的距離,將各樣本點(diǎn)劃分到與各聚類中心點(diǎn)最近的類簇中。

    步驟3 隨機(jī)選擇一個非中心點(diǎn)Or,使得根據(jù)式(3)計(jì)算得到的絕對誤差減小,不斷用Or代替Om。

    步驟4 重復(fù)執(zhí)行步驟2和步驟3,直至計(jì)算出的相鄰兩次絕對誤差值保持不變,即聚類中心不再發(fā)生變化,否則繼續(xù)執(zhí)行步驟3。

    步驟5 算法終止,輸出最終的聚類中心點(diǎn)和類簇。

    2.2 基于自適應(yīng)K中心點(diǎn)聚類算法的船舶典型軌跡挖掘

    由于K中心點(diǎn)聚類算法是一種無監(jiān)督學(xué)習(xí)方法,K值的選擇受人的因素影響較大。為實(shí)現(xiàn)K中心點(diǎn)聚類算法中參數(shù)的自適應(yīng)確定,結(jié)合概率論與數(shù)理統(tǒng)計(jì)理論將分段均方根誤差作為評價(jià)指標(biāo),與K中心點(diǎn)聚類算法相結(jié)合對傳統(tǒng)的K中心點(diǎn)聚類算法進(jìn)行改進(jìn),形成自適應(yīng)K中心點(diǎn)聚類算法。均方根誤差利用觀測值與真實(shí)值之間的差值計(jì)算得到,可以反映線段對點(diǎn)的擬合程度,其計(jì)算式為

    ERMS=1NNi=1(yoi-ypi)2

    (4)

    式中:N為觀測樣本的數(shù)量;yo,i為觀測樣本的因變量;yp,i為觀測樣本的預(yù)測值,該值越小,表明擬合程度越好。

    均方根誤差通常將整個樣本點(diǎn)數(shù)據(jù)作為真實(shí)值,導(dǎo)致其不能很好地反映局部樣本的擬合效果?;诖?,本文提出分段均方根誤差,即將誤差的計(jì)算對象縮小為局部樣本點(diǎn),實(shí)現(xiàn)誤差的局部最小化,并將其與傳統(tǒng)K中心點(diǎn)聚類算法相結(jié)合,作為基于自適應(yīng)K中心點(diǎn)聚類的船舶典型軌跡挖掘算法的參數(shù)確定依據(jù)。分段均方根誤差計(jì)算式為

    ESRMS=1K+1K+1l=1ERMS,l

    (5)

    式中:K為最終確定的聚類中心點(diǎn)數(shù),K+1為樣本被聚類中心點(diǎn)所分成的總段數(shù);l為段的次序。

    運(yùn)用自適應(yīng)K中心點(diǎn)聚類算法挖掘船舶典型軌跡的偽代碼如下:

    輸入:經(jīng)壓縮的軌跡數(shù)據(jù)集T,最大聚類簇Kmax

    輸出:船舶典型軌跡

    1: for K=2 to Kmax do

    2:? get Or//隨機(jī)生成K個初始聚類中心點(diǎn)

    3:? for i=1 to n do

    4:? d=compute d(Ti,O1)//根據(jù)式(2)計(jì)算各軌跡點(diǎn)到初始聚類中心之間的歐幾里得距離,并將各軌跡點(diǎn)劃分到與各聚類中心點(diǎn)最近的類簇中

    5:?? setlabeli=1

    6:?? for j=2 to K do

    7:new_d=d(Ti,Oj)

    8:if new_d

    9: setlabeli=j

    10:d=new_d

    11:? end if

    12:? compute new_E//在每一類簇中,根據(jù)式(3)計(jì)算各軌跡點(diǎn)之間的絕對誤差,將具有最小絕對誤差的點(diǎn)作為新的聚類中心點(diǎn)

    13:?? if new_E = = E then

    14:break

    15:?? else

    16:E=new_E

    17:?? end if

    18:?? end for

    19:? end for

    20:? rank Om//將最終的聚類中心點(diǎn)按經(jīng)度進(jìn)行排序

    21:? L=K+1//根據(jù)聚類中心點(diǎn)將船舶軌跡點(diǎn)劃分到不同的航段(航段數(shù)=K+1)

    22:? compute equation//根據(jù)相鄰兩個聚類中心點(diǎn)的經(jīng)緯度坐標(biāo)值計(jì)算出每一航段的斜截式直線方程

    23:? compute yp,i//根據(jù)每一航段的斜截式方程計(jì)算出對應(yīng)航段內(nèi)觀測軌跡點(diǎn)的預(yù)測值

    24:? compute ESRMS //根據(jù)式(5)分別求取在不同K值條件下的觀測軌跡點(diǎn)的分段均方根誤差值

    25:? if (ESRMS,K-1>ESRMS,K) and (ESRMS,K+1>ESRMS,K)//尋找局部最小分段均方根誤差值所對應(yīng)的K值,作為自適應(yīng)K中心點(diǎn)聚類算法所確定的參數(shù)

    26:?? get K//為防止K值過大,導(dǎo)致分段均方根誤差值無限趨近于0,造成過擬合現(xiàn)象,本文選擇具有局部最優(yōu)特征的K值

    27:?? break

    28:? end if

    29: end for

    30: save Om to list//將最終的聚類中心存儲到數(shù)據(jù)表中,作為船舶典型軌跡的軌跡特征點(diǎn)

    船舶典型軌跡挖掘示意圖見圖3。

    3 實(shí)驗(yàn)及分析

    3.1 AIS數(shù)據(jù)選取

    天津港是我國重要的交通、貿(mào)易樞紐,每天進(jìn)出港船舶較多,交通情況復(fù)雜多樣,對天津港主航道內(nèi)的船舶典型軌跡進(jìn)行研究具有重要意義。選取2019年7月1日至8月31日兩個月內(nèi)進(jìn)出天津港主航道的貨船AIS數(shù)據(jù),通過數(shù)據(jù)清洗篩選出301艘貨船的9 553條AIS數(shù)據(jù),以篩選出的數(shù)據(jù)為研究對象,對船舶典型軌跡挖掘算法進(jìn)行驗(yàn)證。將船舶噸級按照《海港總體設(shè)計(jì)規(guī)范》(JTS 165—2013)中船長與噸位的對應(yīng)關(guān)系進(jìn)行劃分,將船舶的進(jìn)出港情況按照航向進(jìn)行劃分[17],得到不同噸級船舶的AIS數(shù)據(jù),見表1。從表1可以看出,經(jīng)過壓縮后軌跡點(diǎn)數(shù)量大幅減少(壓縮率在58%左右)。

    3.2 聚類參數(shù)的選擇

    將進(jìn)出天津港主航道的貨船按照表1所示的方式對船舶噸級進(jìn)行劃分,運(yùn)用自適應(yīng)K中心點(diǎn)聚類算法分別計(jì)算K取2,3,…,20時(shí)的分段均方根誤差,從而自適應(yīng)地確定K值。進(jìn)港、出港貨船分段均方根誤差的變化趨勢分別見圖4和5。

    從圖4和5可以看出,分段均方根誤差隨K值的增加總體呈下降趨勢,這是因?yàn)镵值越大,用于描述船舶軌跡的特征點(diǎn)越多,總體擬合結(jié)果越接近實(shí)際船舶軌跡。設(shè)分段均方根誤差取極小值時(shí)的K值為Kmin,當(dāng)KKmin時(shí)會出現(xiàn)過擬合的現(xiàn)象(如圖6b所示),導(dǎo)致擬合軌跡難以很好地反映真實(shí)情況。由于Kmin并不唯一,所以需要確定唯一極小值點(diǎn),以相對較少的軌跡特征點(diǎn)較好地反映船舶軌跡特征,從而保留關(guān)鍵特征,減少冗余信息,提高后續(xù)研究的計(jì)算效率。以(3.5,10.0]萬噸級出港貨船為例,當(dāng)K值取11、15和18時(shí),均出現(xiàn)了分段均方根誤差的極小值點(diǎn),因此,在對此類船舶的聚類參數(shù)進(jìn)行選擇時(shí),將取K=11(能使分段均方根誤差取極小值的最小K值)作為聚類參數(shù)的最優(yōu)值(如圖6c所示)。

    為驗(yàn)證K=11為(3.5,10.0]萬噸級出港貨船典型軌跡的最佳聚類參數(shù)值,用式(3)分別計(jì)算在不同K值條件下聚類的絕對誤差均值,計(jì)算結(jié)果見表2。

    由表2可知,當(dāng)K=11時(shí)聚類的絕對誤差均值最小,將該值作為聚類參數(shù)可以達(dá)到最佳的擬合效果。以此類推,在其他分類情況下自適應(yīng)K中心點(diǎn)聚類算法中的K值選擇情況見表3。

    3.3 船舶典型軌跡挖掘結(jié)果

    通過分別設(shè)置相應(yīng)的K值,運(yùn)用自適應(yīng)K中心點(diǎn)聚類算法挖掘不同噸級貨船進(jìn)出天津港的典型軌跡,并基于地理信息系統(tǒng)平臺ArcGIS進(jìn)行可視化展示(見圖7)。圖7中,黃色折線表示進(jìn)港軌跡,紅色折線表示出港軌跡。

    挖掘結(jié)果可以從側(cè)面反映不同噸級的貨船在天津港主航道內(nèi)的通航情況及習(xí)慣航路。例如,進(jìn)港船舶典型軌跡在主航道北側(cè),出港船舶典型軌跡在主航道南側(cè),符合靠右行駛的規(guī)則。1萬噸級及以下的貨船在主航道南北兩側(cè)的小船航道行駛,3.5萬噸級及以下的貨船通常從錨地進(jìn)入航道,而3.5萬噸級以上的貨船大多從航道入口處進(jìn)入航道。通過將挖掘出的典型軌跡與實(shí)際的天津港航道情況對比可知,二者基本吻合,因此實(shí)驗(yàn)結(jié)果具有可信度。

    為比較本文算法與基于軌跡段的聚類常用的DBSCAN算法的優(yōu)劣,將運(yùn)行時(shí)間和準(zhǔn)確率作為評價(jià)指標(biāo),基于同一數(shù)據(jù)集對兩種算法分別進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境為:IntelCoreTMi5-3470 @ 3.20 GHz CPU,4 GB內(nèi)存,500 GB硬盤,Windows 10操作系統(tǒng),Python 3.6編程環(huán)境。聚類的準(zhǔn)確率RI計(jì)算式為

    RI=NTP+NTNNTP+NFP+NFN+NTN

    (6)

    式中:NTP表示被正確分類的正例個數(shù);NFP表示被錯分為正例的負(fù)例個數(shù);NFN表示被錯分為負(fù)例的正例個數(shù);NTN表示被正確分類的負(fù)例個數(shù)。RI值越大意味著聚類結(jié)果與真實(shí)情況越吻合,準(zhǔn)確率越高。兩種聚類算法的比較結(jié)果見表4。

    由對比結(jié)果可知:自適應(yīng)K中心點(diǎn)聚類算法在準(zhǔn)確率上稍低于DBSCAN算法,其原因?yàn)閷④壽E段作為聚類對象使得聚類信息更為豐富,在描述船舶軌跡點(diǎn)特征時(shí)具有較好的表現(xiàn)性,但自適應(yīng)K中心點(diǎn)聚類算法的準(zhǔn)確率在90%以上,典型軌跡的挖掘結(jié)果可信;在運(yùn)行時(shí)間方面,自適應(yīng)K中心點(diǎn)聚類算法表現(xiàn)更優(yōu),算法的運(yùn)行效率較高。

    4 結(jié) 論

    本文基于AIS數(shù)據(jù),結(jié)合船舶的航速、航向特征實(shí)現(xiàn)船舶軌跡點(diǎn)的壓縮,提高了軌跡點(diǎn)數(shù)據(jù)的存儲效率;將軌跡點(diǎn)作為聚類對象,使得聚類對象簡單化,算法運(yùn)行效率得到提升;根據(jù)分段均方根誤差值改進(jìn)了K中心點(diǎn)聚類算法,提高了傳統(tǒng)算法的自適應(yīng)程度;最終選取天津港主航道貨船AIS數(shù)據(jù),將船舶典型軌跡的挖掘結(jié)果基于地理信息系統(tǒng)平臺ArcGIS進(jìn)行可視化展示,結(jié)果表明,改進(jìn)的K中心點(diǎn)聚類算法可有效地對不同類別的船舶軌跡點(diǎn)進(jìn)行聚類,具有較好的自適應(yīng)性和準(zhǔn)確性。

    研究結(jié)果可為實(shí)現(xiàn)船舶典型軌跡挖掘提供參考,為航線規(guī)劃、船舶交通行為特征挖掘等提供技術(shù)支持,具有借鑒意義。本文算法在準(zhǔn)確率等方面有待進(jìn)一步提高,運(yùn)用該結(jié)果進(jìn)一步實(shí)現(xiàn)船舶的異常行為檢測將是下一步的重點(diǎn)研究方向。

    參考文獻(xiàn):

    [1]HAN X, ARMENAKIS C, JADIDI M. DBSCAN optimization for improving marine trajectory clustering and anomaly detection[J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, XLIII-B4-2020: 455-461. DOI: 10.5194/isprs-archives-XLIII-B4-2020-455-2020.

    [2]MURRAY B, PERERA L P. Ship behavior prediction via trajectory extraction-based clustering for maritime situation awareness[J]. Journal of Ocean Engineering and Science, 2021. DOI: 10.1016/j.joes. 2021.03.001.

    [3]唐國磊, 趙宇迪, 于菁菁, 等. 基于AIS數(shù)據(jù)的集裝箱船舶到港時(shí)間預(yù)測研究[J/OL]. 重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版): 1-5[2021-05-09]. http://kns.cnki.net/kcms/detail/50.1190.U.20181116.0958.008.html.

    [4]姜大鵬. 基于船舶交通流特征的通航寬度計(jì)算及其應(yīng)用[D]. 大連: 大連海事大學(xué), 2020.

    [5]宋鵬. 基于C-OPTICS算法的船舶軌跡聚類與應(yīng)用[D]. 大連: 大連海事大學(xué), 2017.

    [6]張春瑋, 馬杰, 牛元淼, 等. 基于行為特征相似度的船舶軌跡聚類方法[J]. 武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版), 2019, 43(3): 517-521. DOI: 10.3963/j.issn.2095-3844.2019.03.028.

    [7]LI Huanhuan, LIU Jingxian, LIU R W, et al. A dimensionality reduction-based multi-step clustering method for robust vessel trajectory analysis[J]. Sensors, 2017, 17: 1792-1817. DOI: 10.3390/s17081792.

    [8]牟軍敏, 陳鵬飛, 賀益雄, 等. 船舶AIS軌跡快速自適應(yīng)譜聚類算法[J]. 哈爾濱工程大學(xué)學(xué)報(bào), 2018, 39(3): 428-432. DOI: 10.11990/jheu.201609033.

    [9]曹妍妍, 崔志明, 吳健, 等. 一種改進(jìn)Hausdorff距離和譜聚類的車輛軌跡模式學(xué)習(xí)方法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2012, 29(5): 38-40. DOI: 10.3969/j.issn.1000-386X.2012.05.011.

    [10]LEE J-G, HAN Jiawei, WHANG K-Y. Trajectory clustering: a partition-and-group framework[C]//Proceedings of the 2007 ACM SIGMOD International Conference on Management of Data. New York: Association for Computing Machinery, 2007: 593-604. DOI: 10.1145/1247480.1247546.

    [11]江玉玲, 熊振南, 唐基宏. 基于軌跡段DBSCAN的船舶軌跡聚類算法[J]. 中國航海, 2019, 42(3): 1-5.

    [12]LIU Bo, DE SOUZA E N, SYDOW M, et al. Knowledge-based clustering of ship trajectories using density-based approach[C]//2014 IEEE International Conference on Big Data. IEEE, 2014: 603-608. DOI: 10.1109/BigData.2014.7004281.

    [13]王莉莉, 彭勃. 航跡點(diǎn)特征的時(shí)間窗分割算法的航跡聚類[J]. 空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版), 2018, 19(3): 19-23. DOI: 10.3969/j.issn.1009-3516.2018.03.004.

    [14]王森杰, 何正偉. 分層建模的船舶軌跡快速聚類算法[J]. 武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版), 2021, 45(3): 596-601. DOI: 10.3963/j.issn.2095-3844.2021.03.036.

    [15]唐國磊, 趙宇迪, 宋向群, 等. 基于AIS數(shù)據(jù)的集裝箱船舶典型運(yùn)動軌跡研究[J]. 港工技術(shù), 2018, 55(6): 6-9. DOI: 10.16403/j.cnki.ggjs20180602.

    [16]ZHEN Rong, JIN Yongxing, HU Qinyou, et al. Maritime anomaly detection within coastal waters based on vessel trajectory clustering and Nave Bayes classifier[J]. Journal of Navigation, 2017, 70(3): 1-23. DOI: 10.1017/S0373463316000850.

    [17]陳向. 復(fù)式航道條件下的港口船舶調(diào)度優(yōu)化[D]. 大連: 大連海事大學(xué), 2017.

    (編輯 賈裙平)

    猜你喜歡
    自適應(yīng)
    散亂點(diǎn)云的自適應(yīng)α—shape曲面重建
    淺談網(wǎng)絡(luò)教育領(lǐng)域的自適應(yīng)推送系統(tǒng)
    以數(shù)據(jù)為中心的分布式系統(tǒng)自適應(yīng)集成方法
    自適應(yīng)的智能搬運(yùn)路徑規(guī)劃算法
    科技視界(2016年26期)2016-12-17 15:53:57
    Ka頻段衛(wèi)星通信自適應(yīng)抗雨衰控制系統(tǒng)設(shè)計(jì)
    電子節(jié)氣門非線性控制策略
    汽車科技(2016年5期)2016-11-14 08:03:52
    多天線波束成形的MIMO-OFDM跨層自適應(yīng)資源分配
    適應(yīng)性學(xué)習(xí)系統(tǒng)的參考模型對比研究
    分析,自適應(yīng)控制一個有乘積項(xiàng)的混沌系統(tǒng)
    基于參數(shù)自適應(yīng)蟻群算法對多目標(biāo)問題的優(yōu)化
    国产精品久久久久久久电影 | 免费在线观看黄色视频的| 久久久久国产一级毛片高清牌| 国产片内射在线| 黑人操中国人逼视频| 在线观看www视频免费| 男女做爰动态图高潮gif福利片| videosex国产| 亚洲人成电影免费在线| 国产成人av激情在线播放| 熟妇人妻久久中文字幕3abv| 可以在线观看的亚洲视频| 欧美大码av| 天天一区二区日本电影三级| 超碰成人久久| 97碰自拍视频| 久久久国产欧美日韩av| 床上黄色一级片| 午夜福利视频1000在线观看| 久久午夜综合久久蜜桃| 在线a可以看的网站| 巨乳人妻的诱惑在线观看| 99国产综合亚洲精品| 狂野欧美白嫩少妇大欣赏| 日韩大尺度精品在线看网址| 三级男女做爰猛烈吃奶摸视频| 中文字幕人成人乱码亚洲影| 搡老妇女老女人老熟妇| 又爽又黄无遮挡网站| 国产亚洲精品av在线| 亚洲全国av大片| 亚洲熟妇熟女久久| 这个男人来自地球电影免费观看| 欧美国产日韩亚洲一区| 777久久人妻少妇嫩草av网站| 男人舔女人下体高潮全视频| 亚洲一码二码三码区别大吗| 色综合欧美亚洲国产小说| 女人爽到高潮嗷嗷叫在线视频| 男人舔奶头视频| 亚洲精品粉嫩美女一区| 在线观看日韩欧美| 国产探花在线观看一区二区| 亚洲成人久久性| 国产精品一区二区三区四区久久| 成年人黄色毛片网站| 成人18禁高潮啪啪吃奶动态图| 日韩精品中文字幕看吧| 中文字幕人成人乱码亚洲影| 国产精品久久久人人做人人爽| 最近视频中文字幕2019在线8| 后天国语完整版免费观看| 成人18禁高潮啪啪吃奶动态图| 国产视频一区二区在线看| 日韩欧美一区二区三区在线观看| 国产精品 国内视频| 成人亚洲精品av一区二区| 少妇熟女aⅴ在线视频| 久久久国产欧美日韩av| 日本a在线网址| 少妇的丰满在线观看| 国产伦在线观看视频一区| 女人高潮潮喷娇喘18禁视频| 听说在线观看完整版免费高清| 国产成人av教育| 国产成人av激情在线播放| 久久久久久免费高清国产稀缺| 在线永久观看黄色视频| www.www免费av| 一本精品99久久精品77| 精品国产超薄肉色丝袜足j| 国产精品免费一区二区三区在线| 这个男人来自地球电影免费观看| 久久久久久久久免费视频了| 悠悠久久av| 亚洲熟妇熟女久久| 午夜激情福利司机影院| 人人妻人人看人人澡| 神马国产精品三级电影在线观看 | 99国产精品一区二区三区| 日韩欧美精品v在线| 性色av乱码一区二区三区2| 精品久久蜜臀av无| 亚洲自偷自拍图片 自拍| 欧美av亚洲av综合av国产av| 最近最新中文字幕大全免费视频| 法律面前人人平等表现在哪些方面| 手机成人av网站| 亚洲美女视频黄频| 高清毛片免费观看视频网站| 怎么达到女性高潮| 男人舔奶头视频| 99国产综合亚洲精品| 可以免费在线观看a视频的电影网站| 搞女人的毛片| 一区福利在线观看| 久久久久九九精品影院| 亚洲精品av麻豆狂野| 又粗又爽又猛毛片免费看| 露出奶头的视频| 国产区一区二久久| 亚洲午夜精品一区,二区,三区| 午夜a级毛片| 午夜福利在线观看吧| 一本精品99久久精品77| 老熟妇仑乱视频hdxx| 欧美性猛交黑人性爽| xxxwww97欧美| 日韩精品中文字幕看吧| 免费电影在线观看免费观看| 国产熟女午夜一区二区三区| 欧美高清成人免费视频www| 男女午夜视频在线观看| 人成视频在线观看免费观看| 黄色丝袜av网址大全| 欧美三级亚洲精品| 亚洲av日韩精品久久久久久密| 国产日本99.免费观看| 91九色精品人成在线观看| 亚洲自拍偷在线| 亚洲aⅴ乱码一区二区在线播放 | 国产av不卡久久| 无人区码免费观看不卡| 亚洲一区二区三区不卡视频| 久久亚洲精品不卡| 丝袜人妻中文字幕| 免费一级毛片在线播放高清视频| 日本五十路高清| 18禁美女被吸乳视频| 欧美另类亚洲清纯唯美| 国产99白浆流出| 久久香蕉国产精品| 少妇的丰满在线观看| av免费在线观看网站| 亚洲,欧美精品.| 精品熟女少妇八av免费久了| netflix在线观看网站| 美女大奶头视频| av超薄肉色丝袜交足视频| 男女那种视频在线观看| 男人舔女人的私密视频| 国产高清有码在线观看视频 | 精品久久久久久,| 亚洲黑人精品在线| 中文字幕最新亚洲高清| 亚洲专区中文字幕在线| 51午夜福利影视在线观看| 亚洲第一电影网av| 亚洲国产高清在线一区二区三| 久久人人精品亚洲av| 99国产综合亚洲精品| 国产欧美日韩一区二区精品| 亚洲欧美日韩高清在线视频| 2021天堂中文幕一二区在线观| 大型av网站在线播放| 中文在线观看免费www的网站 | 久久草成人影院| 久热爱精品视频在线9| 日本精品一区二区三区蜜桃| 亚洲成a人片在线一区二区| 国产精品一区二区三区四区免费观看 | 亚洲成a人片在线一区二区| 成人国产综合亚洲| 亚洲精品美女久久久久99蜜臀| 操出白浆在线播放| 成人高潮视频无遮挡免费网站| 久久99热这里只有精品18| 别揉我奶头~嗯~啊~动态视频| 韩国av一区二区三区四区| 五月伊人婷婷丁香| 午夜精品在线福利| 欧美乱色亚洲激情| 精品乱码久久久久久99久播| 日本撒尿小便嘘嘘汇集6| 激情在线观看视频在线高清| 99在线人妻在线中文字幕| 97超级碰碰碰精品色视频在线观看| 激情在线观看视频在线高清| 国产黄a三级三级三级人| 久久草成人影院| 夜夜看夜夜爽夜夜摸| 色综合站精品国产| 国产精品久久电影中文字幕| 欧美一区二区精品小视频在线| 少妇裸体淫交视频免费看高清 | 久久人妻福利社区极品人妻图片| 成人18禁在线播放| 久久欧美精品欧美久久欧美| 亚洲精品久久国产高清桃花| 中文资源天堂在线| 午夜免费观看网址| 国产成人一区二区三区免费视频网站| 国产精品99久久99久久久不卡| 长腿黑丝高跟| 午夜福利成人在线免费观看| 少妇粗大呻吟视频| 欧美成人性av电影在线观看| 精品国内亚洲2022精品成人| 国产又色又爽无遮挡免费看| av福利片在线| 国内精品一区二区在线观看| 国产一区二区激情短视频| www国产在线视频色| 亚洲熟女毛片儿| 国产精品爽爽va在线观看网站| 一卡2卡三卡四卡精品乱码亚洲| 精品一区二区三区视频在线观看免费| 少妇裸体淫交视频免费看高清 | 国产精品香港三级国产av潘金莲| 在线观看免费午夜福利视频| 亚洲精品一卡2卡三卡4卡5卡| 久久精品综合一区二区三区| www.熟女人妻精品国产| 国产av在哪里看| 麻豆av在线久日| 成人精品一区二区免费| 国产蜜桃级精品一区二区三区| 午夜激情福利司机影院| 全区人妻精品视频| 搡老妇女老女人老熟妇| 成人一区二区视频在线观看| 久久这里只有精品中国| 久久这里只有精品19| 成人高潮视频无遮挡免费网站| 老汉色av国产亚洲站长工具| 国产激情久久老熟女| 日本免费一区二区三区高清不卡| 亚洲国产欧美一区二区综合| 日日夜夜操网爽| 一a级毛片在线观看| 国产精品美女特级片免费视频播放器 | 亚洲熟女毛片儿| 欧美日韩亚洲综合一区二区三区_| 伦理电影免费视频| 丁香欧美五月| 国产麻豆成人av免费视频| 亚洲精品一卡2卡三卡4卡5卡| a级毛片a级免费在线| 中文字幕最新亚洲高清| www日本黄色视频网| 99精品久久久久人妻精品| 又黄又爽又免费观看的视频| 欧美日韩中文字幕国产精品一区二区三区| 91大片在线观看| 亚洲欧美日韩无卡精品| 欧美乱妇无乱码| 欧美精品啪啪一区二区三区| 欧美日韩中文字幕国产精品一区二区三区| 久久午夜综合久久蜜桃| 99re在线观看精品视频| aaaaa片日本免费| 精品不卡国产一区二区三区| 18禁美女被吸乳视频| 久久 成人 亚洲| 亚洲激情在线av| e午夜精品久久久久久久| 在线观看www视频免费| 成人午夜高清在线视频| 黑人操中国人逼视频| 中文字幕人妻丝袜一区二区| 国产久久久一区二区三区| 国产精品影院久久| 国产欧美日韩一区二区精品| 一边摸一边做爽爽视频免费| 国产高清有码在线观看视频 | 深夜精品福利| 国产精品 欧美亚洲| 精品人妻1区二区| 成年人黄色毛片网站| 手机成人av网站| 听说在线观看完整版免费高清| 欧美一级a爱片免费观看看 | 国产激情偷乱视频一区二区| 国产精品一及| 蜜桃久久精品国产亚洲av| 久久久久亚洲av毛片大全| 久久性视频一级片| 一级黄色大片毛片| 叶爱在线成人免费视频播放| 国产激情欧美一区二区| 亚洲,欧美精品.| 亚洲精品国产一区二区精华液| 午夜免费成人在线视频| 午夜精品久久久久久毛片777| 国内精品一区二区在线观看| 日韩欧美三级三区| 国产精华一区二区三区| 中文字幕最新亚洲高清| 国产视频一区二区在线看| 亚洲精品美女久久久久99蜜臀| e午夜精品久久久久久久| 三级男女做爰猛烈吃奶摸视频| 国产成年人精品一区二区| 国产成人av教育| 女人爽到高潮嗷嗷叫在线视频| 男人舔女人下体高潮全视频| 国产精品 国内视频| 最近最新中文字幕大全电影3| 在线观看66精品国产| 免费在线观看完整版高清| 好男人在线观看高清免费视频| 亚洲成av人片在线播放无| 人人妻人人澡欧美一区二区| 日韩欧美免费精品| 精品午夜福利视频在线观看一区| 又黄又粗又硬又大视频| 久久精品aⅴ一区二区三区四区| 一个人观看的视频www高清免费观看 | 国产高清视频在线观看网站| 在线观看免费日韩欧美大片| 国产成人精品久久二区二区免费| 国产真人三级小视频在线观看| 禁无遮挡网站| 91九色精品人成在线观看| 国产精品久久久久久精品电影| 亚洲成人久久爱视频| 久久久久久久久免费视频了| 天堂av国产一区二区熟女人妻 | 亚洲专区中文字幕在线| 一二三四社区在线视频社区8| 很黄的视频免费| 白带黄色成豆腐渣| 99精品欧美一区二区三区四区| 久久九九热精品免费| 日韩大尺度精品在线看网址| 亚洲国产精品合色在线| 90打野战视频偷拍视频| 久久久久精品国产欧美久久久| 国产av在哪里看| 久久精品影院6| 国产片内射在线| 日韩免费av在线播放| 舔av片在线| 精品久久久久久久久久免费视频| www日本黄色视频网| 麻豆国产av国片精品| 国语自产精品视频在线第100页| 国产三级黄色录像| 人妻丰满熟妇av一区二区三区| 亚洲一区二区三区色噜噜| 一夜夜www| 久久人妻av系列| 女人高潮潮喷娇喘18禁视频| 99久久无色码亚洲精品果冻| 国产精品野战在线观看| 久久精品国产清高在天天线| 夜夜夜夜夜久久久久| 国产午夜福利久久久久久| 精品免费久久久久久久清纯| 国产激情偷乱视频一区二区| 他把我摸到了高潮在线观看| 亚洲成a人片在线一区二区| 亚洲成人免费电影在线观看| 国产精品av久久久久免费| 校园春色视频在线观看| 人人妻,人人澡人人爽秒播| 桃红色精品国产亚洲av| 天堂av国产一区二区熟女人妻 | 国产一区二区在线av高清观看| 午夜精品在线福利| 欧美日韩瑟瑟在线播放| 久久久久久大精品| 法律面前人人平等表现在哪些方面| 2021天堂中文幕一二区在线观| 午夜福利在线观看吧| 窝窝影院91人妻| 久久精品夜夜夜夜夜久久蜜豆 | 啦啦啦韩国在线观看视频| 国产亚洲精品第一综合不卡| 亚洲精品久久国产高清桃花| 两性午夜刺激爽爽歪歪视频在线观看 | 老汉色av国产亚洲站长工具| 国产激情久久老熟女| 国产精品亚洲av一区麻豆| 成人高潮视频无遮挡免费网站| 亚洲av电影在线进入| 午夜福利成人在线免费观看| 亚洲午夜精品一区,二区,三区| 亚洲成人精品中文字幕电影| 日本一区二区免费在线视频| 亚洲人成网站在线播放欧美日韩| 男女之事视频高清在线观看| 黄色毛片三级朝国网站| 久久精品夜夜夜夜夜久久蜜豆 | 国产精品 国内视频| 9191精品国产免费久久| 在线视频色国产色| 天天添夜夜摸| 中文在线观看免费www的网站 | 女警被强在线播放| 亚洲中文字幕日韩| 国产一区二区三区在线臀色熟女| 久久热在线av| 男女午夜视频在线观看| 免费在线观看黄色视频的| 国产视频一区二区在线看| 久久久久久久精品吃奶| 欧美高清成人免费视频www| 香蕉av资源在线| av国产免费在线观看| 中文字幕熟女人妻在线| 国产v大片淫在线免费观看| 免费在线观看影片大全网站| 国产精品九九99| 黑人欧美特级aaaaaa片| 伊人久久大香线蕉亚洲五| 久9热在线精品视频| 啦啦啦韩国在线观看视频| 97人妻精品一区二区三区麻豆| 俺也久久电影网| 欧美日本视频| 免费高清视频大片| 亚洲精品国产一区二区精华液| 天天躁夜夜躁狠狠躁躁| 十八禁人妻一区二区| 午夜激情av网站| 午夜亚洲福利在线播放| 99国产精品99久久久久| 国产又色又爽无遮挡免费看| 大型av网站在线播放| 国产精品一区二区免费欧美| 精华霜和精华液先用哪个| 中国美女看黄片| 亚洲欧美日韩东京热| 久久久国产精品麻豆| 亚洲 欧美一区二区三区| 国产男靠女视频免费网站| 久久香蕉激情| 国产视频一区二区在线看| 国产成人精品久久二区二区91| 9191精品国产免费久久| 日本精品一区二区三区蜜桃| 高清在线国产一区| 午夜福利欧美成人| 欧美日韩福利视频一区二区| 在线a可以看的网站| 亚洲黑人精品在线| 中文资源天堂在线| 九色成人免费人妻av| 中文字幕久久专区| 亚洲av成人av| 亚洲第一电影网av| 午夜福利欧美成人| 成年女人毛片免费观看观看9| 好男人电影高清在线观看| 欧美人与性动交α欧美精品济南到| 欧美成人午夜精品| 69av精品久久久久久| 亚洲最大成人中文| 成在线人永久免费视频| 免费一级毛片在线播放高清视频| 亚洲av成人av| 一本精品99久久精品77| 久久这里只有精品中国| 亚洲av电影不卡..在线观看| 欧美在线黄色| 国产视频内射| 日韩免费av在线播放| 桃红色精品国产亚洲av| 成年版毛片免费区| 欧美日韩亚洲综合一区二区三区_| 亚洲人成网站高清观看| 男人舔女人下体高潮全视频| 在线看三级毛片| 身体一侧抽搐| 欧美在线一区亚洲| 欧美最黄视频在线播放免费| 精品国产美女av久久久久小说| 又爽又黄无遮挡网站| 亚洲国产高清在线一区二区三| 啪啪无遮挡十八禁网站| 成人永久免费在线观看视频| 亚洲精品粉嫩美女一区| svipshipincom国产片| 久久久久亚洲av毛片大全| 老鸭窝网址在线观看| 免费在线观看视频国产中文字幕亚洲| 老汉色av国产亚洲站长工具| xxx96com| 国产真人三级小视频在线观看| 精品高清国产在线一区| 国产三级黄色录像| 91在线观看av| 在线观看美女被高潮喷水网站 | 国产麻豆成人av免费视频| 999久久久精品免费观看国产| 中国美女看黄片| 欧美激情久久久久久爽电影| 丝袜美腿诱惑在线| 精品久久久久久久久久免费视频| 国内揄拍国产精品人妻在线| 99久久精品国产亚洲精品| 免费无遮挡裸体视频| 叶爱在线成人免费视频播放| 窝窝影院91人妻| 黄片小视频在线播放| 成年女人毛片免费观看观看9| 99久久久亚洲精品蜜臀av| 久久中文字幕一级| 欧美一级a爱片免费观看看 | 中文字幕最新亚洲高清| 国产又色又爽无遮挡免费看| 国产精品亚洲av一区麻豆| 日韩免费av在线播放| 亚洲黑人精品在线| 亚洲最大成人中文| 51午夜福利影视在线观看| 全区人妻精品视频| 夜夜夜夜夜久久久久| 在线永久观看黄色视频| 在线国产一区二区在线| 18美女黄网站色大片免费观看| 亚洲全国av大片| 美女扒开内裤让男人捅视频| 日韩三级视频一区二区三区| 在线十欧美十亚洲十日本专区| 国产成人影院久久av| 91字幕亚洲| 欧美中文综合在线视频| 亚洲18禁久久av| 亚洲专区字幕在线| 成年人黄色毛片网站| 日韩成人在线观看一区二区三区| 国产aⅴ精品一区二区三区波| 亚洲精品粉嫩美女一区| 老熟妇乱子伦视频在线观看| 免费在线观看黄色视频的| 在线观看一区二区三区| 黄色毛片三级朝国网站| 欧美黑人巨大hd| 伊人久久大香线蕉亚洲五| www.精华液| 国产精品日韩av在线免费观看| www日本在线高清视频| 最近在线观看免费完整版| 亚洲成人中文字幕在线播放| 脱女人内裤的视频| 69av精品久久久久久| ponron亚洲| 亚洲国产中文字幕在线视频| 亚洲av日韩精品久久久久久密| 国产精品99久久99久久久不卡| 亚洲人与动物交配视频| 久久精品国产亚洲av香蕉五月| 一级毛片精品| 国产精品 国内视频| 国产三级中文精品| 国产片内射在线| 舔av片在线| 夜夜看夜夜爽夜夜摸| 成人国语在线视频| 88av欧美| 久久久久国产精品人妻aⅴ院| 国产真实乱freesex| 国产精品香港三级国产av潘金莲| 真人做人爱边吃奶动态| 欧美成人一区二区免费高清观看 | 黄色视频,在线免费观看| 亚洲人成网站在线播放欧美日韩| 久久久久久亚洲精品国产蜜桃av| 日本精品一区二区三区蜜桃| 亚洲国产精品合色在线| 国产麻豆成人av免费视频| 国产精品久久久人人做人人爽| 99久久99久久久精品蜜桃| 一本久久中文字幕| 12—13女人毛片做爰片一| 久久久精品国产亚洲av高清涩受| 久久久久久人人人人人| 日韩高清综合在线| 成人特级黄色片久久久久久久| 国产av又大| 亚洲欧美精品综合一区二区三区| 亚洲无线在线观看| 亚洲一码二码三码区别大吗| 亚洲午夜精品一区,二区,三区| 成人午夜高清在线视频| 色综合婷婷激情| 最近视频中文字幕2019在线8| 日本熟妇午夜| 99国产精品一区二区蜜桃av| 亚洲va日本ⅴa欧美va伊人久久| a级毛片在线看网站| 黄色 视频免费看| 久久久久久亚洲精品国产蜜桃av| 久久99热这里只有精品18| 黄色a级毛片大全视频| 视频区欧美日本亚洲| 好看av亚洲va欧美ⅴa在| а√天堂www在线а√下载| 熟女电影av网| 久久久精品国产亚洲av高清涩受| 啦啦啦免费观看视频1| 亚洲男人的天堂狠狠| 婷婷六月久久综合丁香| 九色国产91popny在线| 色综合站精品国产| 日本熟妇午夜| 99riav亚洲国产免费| 国产爱豆传媒在线观看 | 久热爱精品视频在线9| 久久九九热精品免费| 男人舔女人的私密视频| 久久久国产成人精品二区| 婷婷六月久久综合丁香| 人妻丰满熟妇av一区二区三区| 亚洲性夜色夜夜综合| 国内精品一区二区在线观看| 久久久久九九精品影院| 亚洲精品在线美女| 久久这里只有精品19| 国内揄拍国产精品人妻在线| 国产成人av激情在线播放| 久久久精品欧美日韩精品| 午夜激情av网站|