• <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
    国产熟女午夜一区二区三区| 国产精品久久久久成人av| 精品国产超薄肉色丝袜足j| 在线观看一区二区三区激情| 97在线人人人人妻| 国产高清视频在线播放一区 | 国产主播在线观看一区二区| 91字幕亚洲| 免费黄频网站在线观看国产| 免费黄频网站在线观看国产| 国产淫语在线视频| 亚洲视频免费观看视频| 国产一卡二卡三卡精品| 在线永久观看黄色视频| 男人添女人高潮全过程视频| 久久久精品免费免费高清| 亚洲男人天堂网一区| 亚洲中文av在线| 国产亚洲精品久久久久5区| 欧美日韩一级在线毛片| 高潮久久久久久久久久久不卡| 97人妻天天添夜夜摸| 一个人免费看片子| 满18在线观看网站| √禁漫天堂资源中文www| 欧美激情久久久久久爽电影 | 一边摸一边抽搐一进一出视频| 99久久99久久久精品蜜桃| 脱女人内裤的视频| 我的亚洲天堂| 亚洲色图综合在线观看| 美女福利国产在线| 黑人操中国人逼视频| 丰满少妇做爰视频| 97人妻天天添夜夜摸| 久久人人爽人人片av| 悠悠久久av| 少妇精品久久久久久久| 在线精品无人区一区二区三| 精品国产一区二区三区久久久樱花| 欧美精品一区二区大全| 午夜精品久久久久久毛片777| 久久久久国产一级毛片高清牌| 一级毛片电影观看| 亚洲精品第二区| 日韩欧美一区二区三区在线观看 | 国产淫语在线视频| 人成视频在线观看免费观看| 青春草亚洲视频在线观看| 国产视频一区二区在线看| 少妇被粗大的猛进出69影院| tocl精华| netflix在线观看网站| 精品亚洲乱码少妇综合久久| 最近最新中文字幕大全免费视频| 老司机午夜福利在线观看视频 | 国产精品国产三级国产专区5o| 另类亚洲欧美激情| 亚洲天堂av无毛| av国产精品久久久久影院| 不卡一级毛片| 国产免费现黄频在线看| 狂野欧美激情性xxxx| 国产在视频线精品| 国产日韩欧美在线精品| 亚洲国产欧美一区二区综合| 国产成人av激情在线播放| 热re99久久精品国产66热6| 欧美黄色片欧美黄色片| 国产成人av教育| 国产日韩欧美在线精品| 91精品三级在线观看| 91国产中文字幕| 天堂8中文在线网| 久久久精品区二区三区| 国产成人精品在线电影| 欧美黄色淫秽网站| 狂野欧美激情性bbbbbb| 久久久久精品人妻al黑| av片东京热男人的天堂| 欧美日韩精品网址| 中文字幕人妻丝袜一区二区| 女人精品久久久久毛片| 亚洲五月色婷婷综合| 久久中文看片网| 国产欧美日韩一区二区精品| 啦啦啦中文免费视频观看日本| 999久久久国产精品视频| 国产成人精品在线电影| svipshipincom国产片| 亚洲精品成人av观看孕妇| a级片在线免费高清观看视频| 国产色视频综合| 啦啦啦在线免费观看视频4| 又紧又爽又黄一区二区| 女人高潮潮喷娇喘18禁视频| 动漫黄色视频在线观看| 国产精品香港三级国产av潘金莲| av视频免费观看在线观看| h视频一区二区三区| 国产一区二区激情短视频 | 欧美精品啪啪一区二区三区 | 在线天堂中文资源库| 欧美精品人与动牲交sv欧美| 国产成人av教育| 久久久久久久久免费视频了| 欧美国产精品va在线观看不卡| 亚洲全国av大片| 久久毛片免费看一区二区三区| 欧美激情高清一区二区三区| 18禁裸乳无遮挡动漫免费视频| 在线 av 中文字幕| 国产精品二区激情视频| 国产区一区二久久| 日韩一区二区三区影片| 天天添夜夜摸| 十分钟在线观看高清视频www| 人人妻人人添人人爽欧美一区卜| 99国产精品99久久久久| 欧美精品亚洲一区二区| 12—13女人毛片做爰片一| 日本欧美视频一区| 岛国毛片在线播放| 汤姆久久久久久久影院中文字幕| 久久久久视频综合| 99九九在线精品视频| 飞空精品影院首页| 他把我摸到了高潮在线观看 | 十八禁人妻一区二区| av片东京热男人的天堂| 国产成人a∨麻豆精品| 超碰97精品在线观看| 午夜福利一区二区在线看| 久久久欧美国产精品| 日日夜夜操网爽| 久久99热这里只频精品6学生| 热99国产精品久久久久久7| 999精品在线视频| 美女午夜性视频免费| 国内毛片毛片毛片毛片毛片| 亚洲国产av新网站| 国产一区二区 视频在线| 久久久精品区二区三区| 久久中文看片网| 伊人亚洲综合成人网| 国产精品秋霞免费鲁丝片| 高清在线国产一区| 男人爽女人下面视频在线观看| 黑人巨大精品欧美一区二区蜜桃| 高清视频免费观看一区二区| 最近最新中文字幕大全免费视频| 十分钟在线观看高清视频www| 在线观看免费高清a一片| 在线观看www视频免费| 午夜福利乱码中文字幕| 欧美日韩亚洲综合一区二区三区_| 欧美日韩一级在线毛片| 亚洲国产精品一区三区| 精品少妇一区二区三区视频日本电影| 日韩电影二区| 香蕉丝袜av| e午夜精品久久久久久久| 国产精品99久久99久久久不卡| 精品人妻熟女毛片av久久网站| av福利片在线| 啦啦啦中文免费视频观看日本| 久久久精品区二区三区| 久久精品国产亚洲av香蕉五月 | 久久人人爽av亚洲精品天堂| 丝袜脚勾引网站| 国产成人系列免费观看| 午夜福利在线免费观看网站| 欧美精品一区二区免费开放| 中国国产av一级| 亚洲精品一卡2卡三卡4卡5卡 | 亚洲黑人精品在线| 精品欧美一区二区三区在线| 我要看黄色一级片免费的| 欧美av亚洲av综合av国产av| 少妇裸体淫交视频免费看高清 | 国产一区有黄有色的免费视频| 两个人免费观看高清视频| 叶爱在线成人免费视频播放| 国产成人av教育| 久久 成人 亚洲| 国产精品久久久久久精品古装| 亚洲精品乱久久久久久| 婷婷色av中文字幕| 高清黄色对白视频在线免费看| 三级毛片av免费| 咕卡用的链子| 午夜福利乱码中文字幕| 中亚洲国语对白在线视频| 黄片播放在线免费| 亚洲国产看品久久| 免费不卡黄色视频| 亚洲精品国产区一区二| 国产精品久久久久久人妻精品电影 | 女警被强在线播放| 少妇 在线观看| 大香蕉久久网| 久久ye,这里只有精品| 91字幕亚洲| 久久天躁狠狠躁夜夜2o2o| 亚洲 欧美一区二区三区| 亚洲国产毛片av蜜桃av| 日韩有码中文字幕| 久久人人爽人人片av| 成在线人永久免费视频| 看免费av毛片| 亚洲成人国产一区在线观看| 十分钟在线观看高清视频www| 日韩中文字幕欧美一区二区| 亚洲一码二码三码区别大吗| 亚洲国产欧美网| 另类亚洲欧美激情| 亚洲综合色网址| 纯流量卡能插随身wifi吗| 欧美在线一区亚洲| 国产成人a∨麻豆精品| 国产av一区二区精品久久| 午夜老司机福利片| 动漫黄色视频在线观看| 纵有疾风起免费观看全集完整版| 亚洲成人手机| 99国产精品免费福利视频| 爱豆传媒免费全集在线观看| 亚洲精品国产av蜜桃| 母亲3免费完整高清在线观看| 99国产精品99久久久久| 99精品欧美一区二区三区四区| 国产成人欧美在线观看 | 一级黄色大片毛片| 久久99一区二区三区| 一级毛片女人18水好多| 美女中出高潮动态图| 18禁黄网站禁片午夜丰满| 久久久久网色| 午夜福利,免费看| 免费在线观看黄色视频的| 亚洲欧美一区二区三区久久| 搡老岳熟女国产| 日韩欧美免费精品| 首页视频小说图片口味搜索| 热99国产精品久久久久久7| 日韩视频在线欧美| 亚洲一码二码三码区别大吗| 亚洲国产中文字幕在线视频| 狂野欧美激情性bbbbbb| 国产精品久久久人人做人人爽| 免费高清在线观看视频在线观看| 国产精品一区二区在线不卡| 精品国产超薄肉色丝袜足j| 国产欧美亚洲国产| 国产国语露脸激情在线看| 色播在线永久视频| 人人妻,人人澡人人爽秒播| 男女之事视频高清在线观看| 国产男人的电影天堂91| 日韩 亚洲 欧美在线| 国产欧美日韩一区二区三 | 国产极品粉嫩免费观看在线| 伦理电影免费视频| 一边摸一边做爽爽视频免费| 精品少妇黑人巨大在线播放| 夜夜夜夜夜久久久久| 国产老妇伦熟女老妇高清| h视频一区二区三区| 免费看十八禁软件| 一级毛片女人18水好多| 精品人妻一区二区三区麻豆| 亚洲精品中文字幕一二三四区 | 国产在线观看jvid| 久久99一区二区三区| 久久热在线av| 精品亚洲乱码少妇综合久久| 国产成人精品无人区| 黑人猛操日本美女一级片| 国产国语露脸激情在线看| 制服诱惑二区| 夜夜夜夜夜久久久久| 在线十欧美十亚洲十日本专区| 久热这里只有精品99| 欧美日韩视频精品一区| 亚洲成人手机| 美女中出高潮动态图| 大香蕉久久成人网| av在线播放精品| 欧美av亚洲av综合av国产av| 久久久久久亚洲精品国产蜜桃av| 十八禁高潮呻吟视频| 亚洲熟女精品中文字幕| 天堂俺去俺来也www色官网| 99国产综合亚洲精品| 丰满人妻熟妇乱又伦精品不卡| www日本在线高清视频| 丝袜美足系列| 老司机靠b影院| 一个人免费在线观看的高清视频 | 色综合欧美亚洲国产小说| 一本一本久久a久久精品综合妖精| 亚洲情色 制服丝袜| 超碰97精品在线观看| 国产免费现黄频在线看| 高清av免费在线| 久久久精品区二区三区| 亚洲人成77777在线视频| 午夜激情久久久久久久| 国产无遮挡羞羞视频在线观看| 色94色欧美一区二区| 亚洲国产中文字幕在线视频| 悠悠久久av| 亚洲欧美精品自产自拍| 亚洲情色 制服丝袜| 精品人妻1区二区| 中亚洲国语对白在线视频| 黄色毛片三级朝国网站| 青春草视频在线免费观看| 精品免费久久久久久久清纯 | 久久久国产一区二区| 热99国产精品久久久久久7| 国产一卡二卡三卡精品| 18禁黄网站禁片午夜丰满| 亚洲午夜精品一区,二区,三区| 欧美黄色片欧美黄色片| 99热网站在线观看| 黑人巨大精品欧美一区二区mp4| 欧美日韩中文字幕国产精品一区二区三区 | 国产欧美日韩一区二区三区在线| 成年美女黄网站色视频大全免费| av天堂久久9| 丝瓜视频免费看黄片| 亚洲av欧美aⅴ国产| 啦啦啦视频在线资源免费观看| h视频一区二区三区| 一级,二级,三级黄色视频| 99精品久久久久人妻精品| 老司机影院毛片| 中国美女看黄片| 中文精品一卡2卡3卡4更新| 亚洲精品第二区| 亚洲中文av在线| 成人三级做爰电影| 蜜桃国产av成人99| 久久人妻熟女aⅴ| 久久热在线av| 免费黄频网站在线观看国产| 青草久久国产| 我要看黄色一级片免费的| 高清视频免费观看一区二区| 少妇的丰满在线观看| 五月天丁香电影| 国产av一区二区精品久久| 女警被强在线播放| 久久久久国产精品人妻一区二区| 性高湖久久久久久久久免费观看| 亚洲精品国产一区二区精华液| 超碰97精品在线观看| 国产精品 国内视频| 欧美日韩精品网址| 日韩人妻精品一区2区三区| 女性被躁到高潮视频| 久久人妻熟女aⅴ| 国产精品久久久久成人av| 国产伦人伦偷精品视频| 久久久久网色| 麻豆av在线久日| 久久久久国产精品人妻一区二区| 嫁个100分男人电影在线观看| 色老头精品视频在线观看| 大香蕉久久网| 最近最新中文字幕大全免费视频| 日本av免费视频播放| 精品高清国产在线一区| 成年av动漫网址| 黄频高清免费视频| 欧美精品av麻豆av| 新久久久久国产一级毛片| 免费人妻精品一区二区三区视频| 精品卡一卡二卡四卡免费| 亚洲av日韩精品久久久久久密| 99国产精品99久久久久| 国产精品av久久久久免费| 一本久久精品| 天天操日日干夜夜撸| 午夜激情av网站| 中国美女看黄片| 日韩一区二区三区影片| 免费观看a级毛片全部| 少妇粗大呻吟视频| 菩萨蛮人人尽说江南好唐韦庄| 97在线人人人人妻| 色综合欧美亚洲国产小说| 日韩精品免费视频一区二区三区| av天堂久久9| 男女床上黄色一级片免费看| 少妇猛男粗大的猛烈进出视频| 亚洲av电影在线进入| 一本久久精品| 亚洲av欧美aⅴ国产| 国产精品免费视频内射| tocl精华| 亚洲伊人色综图| 成人国产av品久久久| 精品亚洲乱码少妇综合久久| 亚洲第一欧美日韩一区二区三区 | 高清视频免费观看一区二区| 国产1区2区3区精品| 国产男女超爽视频在线观看| www日本在线高清视频| 老鸭窝网址在线观看| 少妇 在线观看| 超色免费av| 美女视频免费永久观看网站| 黄色片一级片一级黄色片| 日本五十路高清| 国产97色在线日韩免费| 美女午夜性视频免费| 欧美国产精品一级二级三级| 99国产精品免费福利视频| 国产1区2区3区精品| 成在线人永久免费视频| 一边摸一边抽搐一进一出视频| 亚洲激情五月婷婷啪啪| 悠悠久久av| 国产一区二区在线观看av| tube8黄色片| 国产成人啪精品午夜网站| 成年动漫av网址| 日韩大片免费观看网站| 建设人人有责人人尽责人人享有的| 丰满饥渴人妻一区二区三| 99精国产麻豆久久婷婷| 欧美另类一区| 十八禁高潮呻吟视频| 久久精品成人免费网站| 久久热在线av| 精品亚洲成国产av| 成人手机av| 国产亚洲精品一区二区www | 操美女的视频在线观看| 欧美成人午夜精品| 满18在线观看网站| 老司机深夜福利视频在线观看 | 女人被躁到高潮嗷嗷叫费观| 免费不卡黄色视频| 久久精品aⅴ一区二区三区四区| 国产日韩一区二区三区精品不卡| videosex国产| 在线 av 中文字幕| 中文欧美无线码| 嫩草影视91久久| 亚洲第一欧美日韩一区二区三区 | 久久久国产精品麻豆| 中文字幕精品免费在线观看视频| 亚洲精品日韩在线中文字幕| 又大又爽又粗| 国产精品一二三区在线看| 欧美人与性动交α欧美精品济南到| 亚洲精品一区蜜桃| 国产男女内射视频| 精品少妇黑人巨大在线播放| 国产亚洲精品一区二区www | 一二三四社区在线视频社区8| 黄片播放在线免费| 超碰成人久久| 亚洲综合色网址| 欧美+亚洲+日韩+国产| 一级片免费观看大全| 国产精品久久久久成人av| 在线精品无人区一区二区三| 91大片在线观看| 午夜福利一区二区在线看| 欧美一级毛片孕妇| 涩涩av久久男人的天堂| 精品国产一区二区久久| 久久久久久久大尺度免费视频| 久久精品亚洲av国产电影网| 欧美成人午夜精品| 亚洲av国产av综合av卡| 下体分泌物呈黄色| 国产精品久久久久久人妻精品电影 | 午夜91福利影院| 69av精品久久久久久 | 日本黄色日本黄色录像| 夜夜骑夜夜射夜夜干| 久久久久国内视频| 99久久人妻综合| 免费久久久久久久精品成人欧美视频| 老汉色av国产亚洲站长工具| 免费在线观看视频国产中文字幕亚洲 | 在线观看舔阴道视频| 亚洲一码二码三码区别大吗| 婷婷成人精品国产| 久久久久久亚洲精品国产蜜桃av| 国产91精品成人一区二区三区 | 正在播放国产对白刺激| 中文字幕av电影在线播放| 亚洲男人天堂网一区| 法律面前人人平等表现在哪些方面 | h视频一区二区三区| av片东京热男人的天堂| 亚洲成人免费av在线播放| 国产精品秋霞免费鲁丝片| 精品亚洲乱码少妇综合久久| 亚洲免费av在线视频| 国产成人系列免费观看| 国产亚洲欧美精品永久| 一区二区日韩欧美中文字幕| svipshipincom国产片| 蜜桃在线观看..| 精品国产乱子伦一区二区三区 | 99久久综合免费| 俄罗斯特黄特色一大片| 热99国产精品久久久久久7| 啪啪无遮挡十八禁网站| 一级黄色大片毛片| 香蕉国产在线看| 成年av动漫网址| 99久久精品国产亚洲精品| 国产精品麻豆人妻色哟哟久久| 国产精品免费大片| 国产又色又爽无遮挡免| 两个人看的免费小视频| 亚洲久久久国产精品| 免费一级毛片在线播放高清视频 | 亚洲av成人不卡在线观看播放网 | 每晚都被弄得嗷嗷叫到高潮| 欧美亚洲 丝袜 人妻 在线| 欧美国产精品va在线观看不卡| 亚洲欧美精品自产自拍| www日本在线高清视频| 欧美精品人与动牲交sv欧美| 黑人巨大精品欧美一区二区mp4| 中文欧美无线码| 999久久久国产精品视频| 99热网站在线观看| 天天影视国产精品| 亚洲成国产人片在线观看| 久久国产精品男人的天堂亚洲| 国产亚洲午夜精品一区二区久久| 国产91精品成人一区二区三区 | 女性被躁到高潮视频| 午夜福利在线观看吧| 一区二区三区激情视频| 亚洲人成电影免费在线| 国产日韩欧美亚洲二区| 中文精品一卡2卡3卡4更新| 国产欧美日韩一区二区三 | 免费黄频网站在线观看国产| 国产激情久久老熟女| 考比视频在线观看| 亚洲欧美日韩高清在线视频 | 日韩大码丰满熟妇| 国产精品久久久久久精品古装| 91国产中文字幕| 韩国高清视频一区二区三区| 国产熟女午夜一区二区三区| 国产深夜福利视频在线观看| 日韩大片免费观看网站| 无遮挡黄片免费观看| 精品久久久久久电影网| 好男人电影高清在线观看| 久9热在线精品视频| 另类精品久久| 青草久久国产| 午夜两性在线视频| 18在线观看网站| 亚洲精品第二区| 中国美女看黄片| 久久久久国产精品人妻一区二区| av网站免费在线观看视频| 国产老妇伦熟女老妇高清| 亚洲欧美一区二区三区黑人| av电影中文网址| 欧美日韩亚洲综合一区二区三区_| 色播在线永久视频| 色94色欧美一区二区| 亚洲中文日韩欧美视频| 国产在线免费精品| 亚洲精品av麻豆狂野| 久久久水蜜桃国产精品网| 久久精品国产综合久久久| 男女之事视频高清在线观看| 亚洲精品一卡2卡三卡4卡5卡 | 久久午夜综合久久蜜桃| 午夜福利,免费看| 啦啦啦视频在线资源免费观看| 老司机影院毛片| 欧美性长视频在线观看| 久久天躁狠狠躁夜夜2o2o| 国产精品久久久久久精品古装| 亚洲欧美成人综合另类久久久| 女人高潮潮喷娇喘18禁视频| 2018国产大陆天天弄谢| 国产不卡av网站在线观看| 午夜日韩欧美国产| 免费高清在线观看视频在线观看| 日本欧美视频一区| 热re99久久国产66热| 亚洲一码二码三码区别大吗| 岛国在线观看网站| www.av在线官网国产| 男人操女人黄网站| 12—13女人毛片做爰片一| 日本一区二区免费在线视频| 日本91视频免费播放| 久久久久国产一级毛片高清牌| 免费黄频网站在线观看国产| 亚洲精品国产一区二区精华液| 国产成人精品久久二区二区免费| 日韩 欧美 亚洲 中文字幕| 夫妻午夜视频| 亚洲久久久国产精品| 丝袜美足系列|