• <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Attention-BiLSTM混合模型的月尺度降水量預(yù)測

    2024-01-01 00:00:00成玉祥肖麗英王萍根劉祥周章晨暉
    人民珠江 2024年6期
    關(guān)鍵詞:氣象因子

    摘要:降水受到多種氣象因素的影響,從而導(dǎo)致降水預(yù)測精度不高。針對這個問題,在考慮影響降水的多個氣象因素基礎(chǔ)上,通過 Attention機(jī)制賦予各種氣象因素不同的權(quán)重,結(jié)合雙向長短期記憶神經(jīng)網(wǎng)絡(luò)(BiLSTM),提出了改進(jìn)的 Attention-BiLSTM混合模型去實(shí)現(xiàn)月尺度降水量的預(yù)測。以江西省南昌氣象站為例,將1989—2018年的逐月降水量與逐月氣象因素(氣溫、蒸發(fā)量、氣壓等)觀測資料作為模型輸入數(shù)據(jù),通過 Attention機(jī)制識別出各種氣象因素的權(quán)重,從而提高BiLSTM模型對降水量的預(yù)測性能。結(jié)果表明:Attention-BiLSTM混合模型可有效地提高降水量預(yù)測的精度;通過 Attention機(jī)制的修正,顯著地改善了原有的BiLSTM模型降水量預(yù)測值偏低的問題。

    關(guān)鍵詞:月尺度降水;氣象因子;Attention機(jī)制;BiLSTM;預(yù)測性能

    中圖分類號:TV213.9;P457.6文獻(xiàn)標(biāo)識碼:A文章編號:1001-9235(2024)06-0073-09

    Monthly Precipitation Prediction Based on Attention-BiLSTM Model

    CHENG Yuxiang, XIAO Liying*, WANG Pinggen, LIU Xiangzhou, ZHANG Chenhui

    (School of Hydraulic and Ecological Engineering, Nanchang Institute of Technology, Nanchang 330099, China)

    Abstract: Precipitation is affected by various meteorological factors, leading to low prediction accuracy. To solve this problem, multiple meteorological factors affecting precipitation were considered, and the attention mechanism was used to assign different weights to various meteorological factors. Combined with the bidirectional long short-term memory neural network (BiLSTM), an improved attention-BiLSTM model was proposed to predict monthly precipitation. By taking the Nanchang Meteorological Station in Jiangxi Province as an example, the observation data of monthly precipitation and meteorological factors (temperature, evaporation, pressure, etc.) from 1989 to 2018 were used as input data for the model. The attention mechanism identified the weights of various meteorological factors to improve the prediction performance of the BiLSTM model for precipitation. The results show that the attention-BiLSTM model can effectively improve the accuracy of precipitation prediction. Through the correction of the attention mechanism, the low precipitation prediction values by the original BiLSTM model are significantly improved.

    Keywords: monthly precipitation; meteorological factors; attention mechanism; BiLSTM; prediction performance

    降水量預(yù)測是水文預(yù)報領(lǐng)域的一項(xiàng)必不可少的重要研究內(nèi)容。降水量發(fā)生異?,F(xiàn)象是誘發(fā)洪澇災(zāi)害、旱災(zāi)的直接因素之一。由于每個月的降水量能清晰地反映年內(nèi)降水的時間分布,因此,準(zhǔn)確的降水預(yù)測對社會和經(jīng)濟(jì)部門至關(guān)重要。對降水進(jìn)行準(zhǔn)確的預(yù)測不僅在供水、洪水風(fēng)險和干旱緩解方面發(fā)揮著重要作用,而且在指導(dǎo)農(nóng)業(yè)管理和水力發(fā)電廠的運(yùn)行方面也發(fā)揮著重要作用。

    降水預(yù)測通常是通過采用基于物理過程的模型而實(shí)現(xiàn)的。傳統(tǒng)的數(shù)值計算模型需要在短時間內(nèi)處理龐大的氣象數(shù)據(jù),而且求解物理方程的過程十分復(fù)雜。傳統(tǒng)的降水預(yù)測方法主要的不足之處如下。首先,精度和可靠性有限。由于降水的預(yù)測受到多種因素影響,如大氣環(huán)流、地形和下墊面因素等,降水預(yù)測精度和可靠性受到數(shù)據(jù)和模型的限制。其次,時效性欠佳。傳統(tǒng)預(yù)測方法需要收集和分析大量的觀測數(shù)據(jù)和模型參數(shù),同時需要一定的時間來進(jìn)行預(yù)測,導(dǎo)致無法及時響應(yīng)突發(fā)的氣象事件和水文災(zāi)害[1]。由于降水量數(shù)據(jù)具有非平穩(wěn)、非線性的特征,若直接通過降水?dāng)?shù)據(jù)進(jìn)行預(yù)測,往往達(dá)不到精確的預(yù)測效果。采用信號分解能夠使時間序列平穩(wěn)并且能夠提取時間序列的局部特征。例如,KIM 等[2]采用小波分解算法(Wavelet Decomposition,WD)對降水量數(shù)據(jù)進(jìn)行分解,并與單一的預(yù)測模型做了對比。結(jié)果發(fā)現(xiàn),在相同的預(yù)測模型下,經(jīng)過小波分解后的時間序列預(yù)測模型準(zhǔn)確度更高。

    隨著人工智能理論和應(yīng)用的迅速發(fā)展,LSTM (Long Short Term Memory,LSTM)模型已被廣泛應(yīng)用于降水預(yù)測中[3]。LSTM 模型通過 Cell 門開關(guān)實(shí)現(xiàn)時間上的記憶功能,并防止梯度消失,可以學(xué)習(xí)長期依賴信息,讓信息長期保存。SHI 等[3]在早期提出了ConvLSTM模型。該模型通過將全鏈接的LSTM 模型擴(kuò)展為輸入到輸出、狀態(tài)到狀態(tài)的卷積結(jié)構(gòu),能夠更好地學(xué)習(xí)數(shù)據(jù)的時空相關(guān)性。從此,它成功地將循環(huán)神經(jīng)網(wǎng)絡(luò)引入降水預(yù)測,為降水預(yù)測奠定了基礎(chǔ)。在深度學(xué)習(xí)理論出現(xiàn)之后,循環(huán)神經(jīng)網(wǎng)絡(luò)的表征學(xué)習(xí)能力得到了關(guān)注,并隨著數(shù)值計算設(shè)備的更新而得到發(fā)展?;?LSTM算法的降水預(yù)測模型能更好的處理長時間序列數(shù)據(jù),通過不斷訓(xùn)練可以抓住月尺度降水?dāng)?shù)據(jù)隨時間變化的規(guī)律,并顯著提高預(yù)測精度。例如,劉新等[4]利用 LSTM等5種預(yù)測模型對青藏高原的月尺度降水量預(yù)測結(jié)果進(jìn)行對比。結(jié)果發(fā)現(xiàn),LSTM 模型的預(yù)測精度遠(yuǎn)優(yōu)于其他幾個神經(jīng)網(wǎng)絡(luò)模型。1997年,隨著雙向長短期記憶神經(jīng)網(wǎng)絡(luò)(Bidirectional Long Short-Term Memory,BiLSTM)的提出,Alex Graves 等首次提出了使用BiLSTM網(wǎng)絡(luò)來改進(jìn)語音識別任務(wù)。由于降水預(yù)測和語音識別都屬于序列預(yù)測問題,因此, Ivanov Sergey 等在2015年將BiLSTM網(wǎng)絡(luò)應(yīng)用于降水預(yù)測,并取得一定的效果。凌銘等[5]對比了 LSTM 和 BiLSTM2個模型在鄱陽湖流域的日尺度降水預(yù)測的結(jié)果,發(fā)現(xiàn)BiLSTM模型的預(yù)測效果要明顯優(yōu)于 LSTM模型。綜上所述,在降水預(yù)測方面 LSTM模型的預(yù)測效果在各模型中尤為突出,而且,由 LSTM 變種而來的BiLSTM模型在降水預(yù)測方面的效果更佳。

    降水的形成與不同氣象因素息息相關(guān)。如果將降水與其他氣象因素的原始時間序列直接用作模型輸入,則很難解釋每個輸入特征序列在預(yù)測中所起的作用。為了解決這一問題,有研究指出:根據(jù)輸入特征序列的重要性,為其分配最優(yōu)權(quán)重。近年來,Attention 機(jī)制與深度學(xué)習(xí)模型的結(jié)合已得到廣泛應(yīng)用,并且反饋效果良好[6]。例如,吳香華等[7]將單一的 CNN(Convolutional Neural Network)與CNN-Attention-BP 混合模型的預(yù)測結(jié)果進(jìn)行對比,發(fā)現(xiàn)引入 Attention機(jī)制后的組合模型相較于其他單一的模型具有更高的預(yù)測精度。王怡等[8]使用卷積神經(jīng)網(wǎng)絡(luò)提取氣溫數(shù)據(jù)的局部特征,挖掘氣溫數(shù)據(jù)在空間上的相關(guān)性,并融入 Attention 機(jī)制進(jìn)行權(quán)重分析,最后運(yùn)用BiLSTM進(jìn)行降水預(yù)測。結(jié)果表明,組合模型的預(yù)測結(jié)果精度有了較大的提高。

    因此,將 Attention 機(jī)制加入BiLSTM中,考慮各種氣象因子歷史時間序列的影響,可以捕捉與月降水量相關(guān)的最重要因子。通過對各氣象因子分配相應(yīng)的權(quán)重,使得預(yù)測模型更加深度學(xué)習(xí)對降水預(yù)測影響較大的氣象因子序列,減少或忽略對降水預(yù)測影響較小的氣象因子序列的學(xué)習(xí),從而提高預(yù)測準(zhǔn)確率。

    綜上所述,本文的創(chuàng)新之處在于在降水預(yù)測的常規(guī)數(shù)據(jù)驅(qū)動模型中,考慮各種氣象因子歷史時間序列對降水預(yù)測模型的影響,引入深度學(xué)習(xí)中的 Attention 機(jī)制,對氣溫、蒸發(fā)量、氣壓等各種氣象因子進(jìn)行權(quán)重分析,捕捉到有意義的信息;然后,進(jìn)一步構(gòu)建 Attention-BiLSTM混合模型,采用相關(guān)指標(biāo)來評價該混合模型的預(yù)測性能,并與常規(guī)數(shù)據(jù)驅(qū)動模型的預(yù)測結(jié)果進(jìn)行對比,以觀察月尺度降水量的預(yù)測精度是否得到有效提升。

    1研究方法

    1.1 BiLSTM神經(jīng)網(wǎng)絡(luò)

    長短期神經(jīng)網(wǎng)絡(luò) LSTM 是循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)的一種改進(jìn)[9]。 LSTM 在主體結(jié)構(gòu)上與 RNN 相似,但能解決 RNN 中梯度消失、爆炸等問題。LSTM 在隱藏層 h 中增加了3個門控結(jié)構(gòu)(Gating Mechanism),分別是遺忘門(Forget Gate)、輸入門(Input Gate)、輸出門(Output Gate),同時新增了一個隱藏狀態(tài)(Cell State)[10]。這樣有利于 LSTM 長時間存儲和訪問信息。首先,遺忘門用于確定是否應(yīng)該從先前的狀態(tài)丟棄信息。相關(guān)的計算見式(1)—(4):

    f (t )=σ(Wfht-1+UfXt + bf )

    i (t )=σ(Wi ht-1+ Ui Xt + bi )

    c (t )= tanh(Wcht-1+ Uc Xt +bc )

    o (t )=σ(W h+ U X + b )

    式中:Xt為 t 時刻的輸入;ht-1為 t-1時刻的隱藏層狀態(tài)值;Wf、Wi、Wo、Wc分別為遺忘門、輸入門、輸出門和特征提取過程中ht-1的權(quán)重系數(shù);Uf、Ui、Uo、Uc 分別為遺忘門、輸入門、輸出門和特征提取過程中Xt的權(quán)重系數(shù);bf、bi、bo、bc分別為遺忘門、輸入門、輸出門和特征提取過程中的偏置值;tanh 為雙曲正切函數(shù);σ為激活函數(shù) Sigmoid。

    其次,是確定需要向單元狀態(tài)中添加多少新的信息。在這一步中,有2個部分:第一個部分,由輸入門層確定在當(dāng)前時間步長中使用哪些信息來更新單元狀態(tài);第二個部分,由 tanh 層生成一個更新向量 C 。然后,將這兩部分組合起來創(chuàng)新更新的狀態(tài),見式(5)、(6):

    tanh(x)=1(1) e(e)--2x(2x)(5)

    σ(x)=(6)

    遺忘門和輸入門計算的結(jié)果作用于ct-1,構(gòu)成 t 時刻的細(xì)胞狀態(tài)ct,見式(7):

    ct =ct-1⊙f (t )+i (t )⊙c (t )( 7)

    最后的一個門是輸出門,用于控制單元狀態(tài)ct的信息流入新的隱藏狀態(tài)。其中,t 時刻的隱藏層狀態(tài)ht由輸入門 o(t )和當(dāng)前時刻的細(xì)胞狀態(tài)ct得出:

    ht = o (t )⊙ tanh(ct)(8)式中:⊙為 Hadamard積。

    雙向長短期記憶網(wǎng)絡(luò)(Bi-directional Long Short-Term Memory,BiLSTM)是長短期記憶神經(jīng)網(wǎng)絡(luò)的一個變種。BiLSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型分為2個獨(dú)立的 LSTM,輸入序列分別以正序和逆序輸入至2個 LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取,將2個輸出向量(即提取后的特征向量)進(jìn)行拼接后形成的詞向量作為該詞的最終特征表達(dá)[11]。BiLSTM的模型設(shè)計理念是使 t 時刻所獲得特征數(shù)據(jù)同時擁有過去和將來之間的信息,這種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)特征提取效率和性能要優(yōu)于單個 LSTM 結(jié)構(gòu)模型[12]。另外,在BiLSTM模型中,2個 LSTM神經(jīng)網(wǎng)絡(luò)的參數(shù)相互獨(dú)立。BiLSTM神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)見圖1。

    1.2 Attention機(jī)制

    各種氣象因子在降水預(yù)測中的重要性是不同的。在降水預(yù)測中,需要更多地關(guān)注更有意義的預(yù)測因子。Attention機(jī)制即注意力機(jī)制。這種機(jī)制可以通過掃描全局圖像,獲取需要重點(diǎn)關(guān)注的目標(biāo)區(qū)域,而后對這一區(qū)域投入更多的注意力資源,獲取更多與目標(biāo)有關(guān)的細(xì)節(jié)信息,同時忽視其他無關(guān)信息[13]。這種機(jī)制可以利用有限的注意力資源,從大量信息中快速篩選出高價值的信息。因此, Attention機(jī)制可以根據(jù)輸入特征序列的重要性程度賦予不同的權(quán)重,從而在時間序列預(yù)測中對輸入特征序列進(jìn)行優(yōu)化。Attention 機(jī)制的計算分為三步:一是在所有輸入信息上計算注意力分布從而得到權(quán)重系數(shù);二是通過注意力打分函數(shù)的計算,來衡量一個輸入序列中每個元素與當(dāng)前輸出元素之間的相似度得分,用于計算權(quán)重;三是根據(jù)注意力分布來計算輸入信息的加權(quán)平均。Attention機(jī)制的詳細(xì)計算步驟如下。

    步驟一注意力分布αn 的計算,見式(9):α n = p (z = n|X,q )= soft max(s (xn,q ))=

    exp(s (xn,q ))

    exp(s (xj,q ))

    式中:X 為輸入向量;q 為和任務(wù)相關(guān)的查詢向量; X、q 為已給定的參數(shù);在給定任務(wù)相關(guān)的查詢 q 時,α n 為第 n 個輸入向量受關(guān)注的程度;z 為選擇信息的索引位置,例如z = n 表示選擇了第 n 個輸入向量。

    步驟二注意力打分函數(shù) s(x,q )的計算

    s (x,q )=vT tanh(WX +Uq)(10)

    式中:W 為輸入向量 X 的權(quán)重;U 為查詢向量 q 的權(quán)重;v 為用于得分計算的權(quán)重向量。

    步驟三加權(quán)平均

    att(X,q )=α n x n

    式中:α n 為第 n 個輸入向量受關(guān)注的程度;xn為第 n 個輸入向量。

    圖2是 Attention 機(jī)制加權(quán)平均的示例。圖中softmax的作用是將一組任意的實(shí)數(shù)值轉(zhuǎn)化為在[0,1]之間的概率值。

    1.3 Attention-BiLSTM混合模型

    本文引入深度學(xué)習(xí)中的 Attention 機(jī)制與BiLSTM神經(jīng)網(wǎng)絡(luò)融合,將 Attention 機(jī)制加入到BiLSTM的隱含層中,對氣溫、氣壓、風(fēng)速等各氣象因子進(jìn)行特征學(xué)習(xí)之后,再進(jìn)行權(quán)重影響分析。最后,采用BiLSTM神經(jīng)網(wǎng)絡(luò)對降水進(jìn)行預(yù)測,見圖3。

    1.4評價指標(biāo)

    本文選取均方根誤差(Root Mean Square Error, RMSE)、平均絕對誤差(Mean Absolute Deviation, MAE)、皮爾遜相關(guān)系數(shù)(Pearson Correlation Coefficient,PCC)作為評價指標(biāo)。其中,RMSE、MAE 反映預(yù)測的準(zhǔn)確度,二者的值越小代表模型預(yù)測效果越好。PCC 則反映預(yù)測序列與觀測序列的相關(guān)性,PCC 的值越大代表模型預(yù)測準(zhǔn)確度越高,其絕對值越接近1則表明預(yù)測序列與觀測序列越相關(guān)[14],見式(12)—(14)。

    PCC =(13)

    MAE =ht - h(~)t |(14)

    式中:cov為2個變量的協(xié)方差;σ為變量的標(biāo)準(zhǔn)差;n 為樣本數(shù)量;ht、h t(~)分別為 t 時間的觀測降水量與預(yù)測降水量。

    2實(shí)例分析

    2.1數(shù)據(jù)來源與預(yù)處理

    選取江西省南昌站1989年1月至2018年12月的月氣象(降水和其他氣象因子等)觀測數(shù)據(jù)作為研究對象。這些數(shù)據(jù)來源于國家氣象科學(xué)數(shù)據(jù)中心(http://data. cma. cn)的中國地面氣候資料數(shù)據(jù)集。由于不同氣象數(shù)據(jù)的單位不同,首先對數(shù)據(jù)進(jìn)行歸一化處理,見式(15):

    Xi = X(X) a(0)-- X(X)m(m)i(i)n(n)(15)

    式中:Xi 為歸一化處理后的序列;X 0)為輸入的原始?xì)庀笮蛄?,Xmin、Xmax為各個序列的最小值和最大值。經(jīng)過歸一化處理后的數(shù)據(jù)值都在[0,1]內(nèi)。然后,將歸一化處理后的氣象數(shù)據(jù)以8∶2比例劃分訓(xùn)練集與測試集[15]。其中,對于降水?dāng)?shù)據(jù),1989年1月至2012年12月(共計288個月)為訓(xùn)練集;2013年1月至2018年12月(共計72個月)為測試集。

    在對流層內(nèi),與降水有關(guān)的氣象因素主要是氣溫、氣壓、風(fēng)、濕度、云和蒸發(fā)等。對于暴雨,則主要與氣壓、氣溫、濕度、風(fēng)等因素有關(guān)。本文是針對月尺度的降水量進(jìn)行預(yù)測,而南昌屬于亞熱帶季風(fēng)氣候,四季分明,春季氣溫較暖雨水較多,夏季炎熱濕潤時有暴雨,秋冬氣溫降低雨量較少,考慮到實(shí)際情況,本文經(jīng)過初期篩選后,選取氣溫、氣壓、風(fēng)速、相對濕度、蒸發(fā)量這5個氣象因子作為影響南昌站月降水量的主要因素。另外,這些氣象因子的時間序列起止時間也是1989年1月—2018年12月(共計360個月)。

    2.2模型步驟

    步驟一將降水序列以及溫度、濕度、風(fēng)速等氣象因子序列作為輸入數(shù)據(jù),對輸入數(shù)據(jù)進(jìn)行預(yù)處理,并以8∶2比例劃分訓(xùn)練集與測試集。

    步驟二將訓(xùn)練集的數(shù)據(jù)由輸入層傳入,經(jīng)過 Attention層的權(quán)重分析后由BiLSTM層輸出。

    步驟三計算預(yù)測值和觀測值的均方根誤差(RMSE)、平均絕對誤差(MAE)、皮爾遜相關(guān)系數(shù)(PCC)。判斷 RMSE 和 MAE 是否為最小值、PCC 是否為最大值,若3個評價指標(biāo)為最優(yōu)值,則由輸出層輸出結(jié)果;若不滿足最優(yōu)值條件,則調(diào)整輸入長度

    進(jìn)行循環(huán),直到得到滿足最值條件的輸入長度。步驟四經(jīng)過試湊法,調(diào)整 Attention-BiLSTM混合模型參數(shù)以確定最優(yōu)超參數(shù)。然后,根據(jù)由輸出層輸出的訓(xùn)練結(jié)果對測試集的數(shù)據(jù)進(jìn)行降水預(yù)測。

    圖4為 Attention-BiLSTM混合模型的構(gòu)建流程。

    2.3 Attention-BiLSTM混合模型權(quán)重分析

    本文將歸一化后的數(shù)據(jù)經(jīng) Attention層進(jìn)行權(quán)重分析,得出各因子對降水的平均權(quán)重見表1。其中,氣溫、氣壓、風(fēng)速、相對濕度、蒸發(fā)量等5項(xiàng)為主要的氣象因子,這些氣象因子均影響降水的形成或降水量的大小。表1可知,在注意力機(jī)制的權(quán)重分配結(jié)果中,蒸發(fā)量的權(quán)重為最大(0.24),相對濕度權(quán)重次之(0.21),氣壓的權(quán)重為最?。?.17)。這說明,在南昌站,影響降水的主要因素為蒸發(fā)量、相對濕度與風(fēng)速。

    2.4 Attention-BiLSTM混合模型參數(shù)設(shè)置與優(yōu)化

    在 Attention-BiLSTM混合模型的訓(xùn)練過程中,本文采取自適應(yīng)矩估計(Adaptive Moment Estimation,Adam)為優(yōu)化函數(shù),雙曲正切函數(shù)(Hyperbolic Tangent Function,tanh)為激活函數(shù),并采用隨機(jī)失活正則化(Dropout)方法。Adam算法能夠基于訓(xùn)練數(shù)據(jù)迭代更新神經(jīng)網(wǎng)絡(luò)的權(quán)重,使損失函數(shù) RMSE 輸出值達(dá)到最優(yōu)[16]。tanh 收斂速度快,會使迭代次數(shù)大幅度降低,提高模型效率[17]。 Dropout方法會防止過擬合。此外,本文采用試湊法最終確定超參數(shù)。試湊法是指憑借經(jīng)驗(yàn)確定參數(shù)的方法,即根據(jù)觀察結(jié)果調(diào)整 Attention-BiLSTM混合模型的參數(shù),最終得出最優(yōu)超參數(shù)[18]。Attention-BiLSTM混合模型超最優(yōu)超參數(shù)見表2。

    2.5訓(xùn)練階段結(jié)果分析

    為了尋找 Attention-BiLSTM混合模型的最優(yōu)輸入長度,本文在訓(xùn)練階段采用試湊法,根據(jù)不同輸入長度得出 Attention-BiLSTM混合模型預(yù)測值。同時,采用均方根誤差(RMSE)來評價 Attention- BiLSTM混合模型的預(yù)測效果。之后,計算了在不同輸入長度下 Attention-BiLSTM混合模型降水預(yù)測值與觀測值之間的均方根誤差 RMSE。由于訓(xùn)練集的數(shù)據(jù)較大,圖5僅展示以南昌站1989年1月至1992年4月的氣象數(shù)據(jù)為原始數(shù)據(jù)(共計40個月)的Attention-BiLSTM混合模型預(yù)測均方根誤差的變化范圍及誤差變化過程。結(jié)果表明:①采用 Attention- BiLSTM混合模型預(yù)測,降水預(yù)測值與觀測值之間的均方根誤差 RMSE 隨著時間長度的增加而上下波動。在輸入長度為10個月后,波動幅度變小,變化絕對值低于0.3。②在輸入長度為9個月時, Attention-BiLSTM混合模型預(yù)測值與觀測值的RMSE 達(dá)到了最低值。因此,本文在 Attention- BiLSTM混合模型中,采取的模型最優(yōu)輸入序列長度為9個月。

    為了對比 Attention-BiLSTM混合模型和BiLSTM的預(yù)測效果差異,本文采用均方根誤差(RMSE)、平均絕對誤差(MAE)評價預(yù)測的準(zhǔn)確度;采用 Pearson 相關(guān)系數(shù)(PCC)評價預(yù)測序列與觀測

    序列的相關(guān)性。表3給出了在不同輸入長度下,2種預(yù)測模型評價指標(biāo)對比結(jié)果。其中,符號 B代表采用BiLSTM模型預(yù)測,符號 Aamp;B代表采用 Attention- BiLSTM混合模型預(yù)測。因訓(xùn)練集數(shù)據(jù)較大,表3只列出了12個月的評價結(jié)果作示例。

    結(jié)果表明:①在輸入長度為9個月時, Attention-BiLSTM混合模型的預(yù)測效果最優(yōu),RMSE 和 MAE 達(dá)到最小值,分別為2.16和1.73,此外, Attention-BiLSTM混合模型的降水預(yù)測序列與觀測序列之間相關(guān)系數(shù)最高,PCC 達(dá)到最大值0.82;②在不斷改變輸入長度的情況下,發(fā)現(xiàn)采用 Attention- BiLSTM混合模型預(yù)測的 RMSE、MAE 均比采用BiLSTM模型進(jìn)行降水預(yù)測的 RMSE、MAE 低。此外,Attention-BiLSTM混合模型的 PCC 也比BiLSTM模型的 PCC 高。因此,在訓(xùn)練階段,發(fā)現(xiàn) Attention-BiLSTM混合模型的預(yù)測效果比BiLSTM模型更好。

    2.6測試階段結(jié)果分析

    2.6.1不同模型預(yù)測結(jié)果對比

    本文采用南昌站2013年1月至2018年12月(共72個月)逐月降水量與逐月氣象因素(氣溫、蒸發(fā)量、氣壓等)觀測資料作為模型測試集,在輸入長度為9個月的情況下,完成降水預(yù)測模型的測試。在圖6中,給出了BiLSTM模型和 Attention-BiSLTM混合模型測試集的逐月降水預(yù)測結(jié)果;同時,也列出該時期逐月降水量觀測值以便對照。

    結(jié)果表明:在測試階段,BiLSTM模型的預(yù)測值與觀測值波動特征相似,但在有些極值點(diǎn)位置,預(yù)測效果并不是很理想;另一方面,Attention-BiLSTM混合模型的預(yù)測值與觀測值波動特征趨于一致,并且在極值點(diǎn)位置,預(yù)測效果相比于BiLSTM模型更好??傮w上,Attention-BiLSTM混合模型的預(yù)測效果要遠(yuǎn)優(yōu)于BiLSTM模型的預(yù)測效果。

    為了解不同模型在測試階段的預(yù)測效果如何,本文將不同模型預(yù)測結(jié)果的評價指標(biāo)進(jìn)行對比(表4)。結(jié)果表明:①在測試階段,Attention-BiLSTM混合模型的 RMSE(2.21)和 MAE(1.82)均小于BiLSTM模型的 RMSE(2.67)和 MAE(2.01),這說明Attention-BiLSTM混合模型預(yù)測的準(zhǔn)確度高于BiLSTM模型;②Attention-BiLSTM混合模型的 PCC (0.78)高于BiLSTM模型的 PCC(0.67)。這可得出Attention-BiLSTM混合模型預(yù)測序列與觀測序列的相關(guān)性高于BiLSTM模型。因此,從測試階段不同模型的評價指標(biāo)上看,Attention-BiLSTM混合模型預(yù)測效果要優(yōu)于BiLSTM模型。

    2.6.2降水峰值點(diǎn)預(yù)測結(jié)果對比

    前文主要是針對測試階段整體預(yù)測效果的評價,但是,對于汛期或主汛期降水量的預(yù)測效果如何需要進(jìn)一步分析,而這往往是降水模型預(yù)測較難的地方。為了深入對比不同模型的預(yù)測結(jié)果,本文選取測試階段中的21個降水峰值點(diǎn)作對比,計算不同模型預(yù)測值與觀測值的誤差(圖6、表5)。結(jié)果表明:①Attention-BiLSTM混合模型預(yù)測值與觀測值的最大誤差為115.36 mm,最小誤差為0.71 mm,平均誤差為22.25 mm,而BiLSTM模型預(yù)測值與觀測值的最大誤差為307.14 mm,最小誤差為1.44 mm,平均誤差為79.02 mm;②針對圖6中降水序列的峰值點(diǎn)展開進(jìn)一步的預(yù)測對比分析,發(fā)現(xiàn) Attention- BiLSTM混合模型預(yù)測值與觀測值的誤差要小于BiLSTM模型的預(yù)測誤差。Attention-BiLSTM混合模型在峰值點(diǎn)處的預(yù)測誤差相比于BiLSTM模型平均降低了17.69%。因此,在峰值點(diǎn)處 Attention- BiLSTM混合模型要優(yōu)于BiLSTM模型。

    進(jìn)一步選取表5中序號為2、5、8、11、15的峰值點(diǎn)作為汛期代表點(diǎn)。這些代表點(diǎn)均發(fā)生于各年的6月,其月降水量也都超過汛期降水量平均值250.3 mm。計算這些代表點(diǎn)處降水預(yù)測值與觀測值的誤差,發(fā)現(xiàn):①在5個汛期代表點(diǎn)處,采用 Attention- BiLSTM混合模型,降水預(yù)測值與觀測值的誤差絕對值要遠(yuǎn)小于BiLSTM模型的誤差絕對值;② Attention-BiLSTM混合模型在汛期代表點(diǎn)處的誤差相比于BiLSTM模型平均降低了32.12%。因此, Attention-BiLSTM混合模型在汛期代表點(diǎn)處的預(yù)測效果要遠(yuǎn)優(yōu)于BiLSTM模型。

    3結(jié)論

    針對降水因受到多種氣象因素影響而導(dǎo)致降水極值預(yù)測不準(zhǔn)確的問題,本文將 Attention 機(jī)制與BiLSTM神經(jīng)網(wǎng)絡(luò)融合,構(gòu)建出 Attention-BiLSTM混合模型,并以南昌站月降水量為例展開了預(yù)測分析。首先,采用 Attention 機(jī)制對各氣象因子進(jìn)行了權(quán)重分配。其次,將月降水量與月氣象因素等觀測資料作為輸入數(shù)據(jù),通過試湊法確定 Attention-BiLSTM混合模型的最優(yōu)超參數(shù),然后完成對月降水量的預(yù)測。最后,對比了 Attention-BiLSTM混合模型與BiLSTM模型之間的預(yù)測效果,評價了這兩種模型在峰值點(diǎn)和汛期代表性點(diǎn)的預(yù)測效果差異。

    結(jié)果表明:Attention 機(jī)制識別出主要影響南昌站降水的氣象因子為蒸發(fā)量、相對濕度與風(fēng)速,并量化了各個氣象因子的權(quán)重值。在 Attention- BiLSTM混合模型的優(yōu)化方面,發(fā)現(xiàn)輸入長度為9個月是該模型的最優(yōu)時間步長。無論在測試階段與訓(xùn)練階段,Attention-BiLSTM混合模型的降水預(yù)測結(jié)果與觀測結(jié)果基本一致;同時,Attention-BiLSTM混合模型的預(yù)測誤差均小于原始的BiLSTM模型。這說明,經(jīng)過 Attention 機(jī)制的調(diào)節(jié),原有的BiLSTM模型在月降水預(yù)測方面的穩(wěn)定性和準(zhǔn)確性顯著提高。

    通過降水峰值點(diǎn)的預(yù)測誤差分析,可知 Attention-BiLSTM混合模型可以較好地解決降水預(yù)測精度偏低的問題。但是,本研究也發(fā)現(xiàn),在某些降水量峰值點(diǎn)處,Attention-BiLSTM混合模型的預(yù)測精度還不夠高,預(yù)測值也出現(xiàn)了偏高的情況。因此,在下一步工作中還需要引入自適應(yīng)噪聲的完全集合經(jīng)驗(yàn)?zāi)B(tài)分解等方法[19],將數(shù)據(jù)預(yù)先進(jìn)行分解去噪,以提高 Attention-BiLSTM混合模型預(yù)測的精度。此外,本文在模型的參數(shù)調(diào)優(yōu)訓(xùn)練時所采用的試湊法,耗費(fèi)了過多的時間和精力。未來可以引入先進(jìn)的算法進(jìn)行參數(shù)自動調(diào)優(yōu),進(jìn)一步實(shí)現(xiàn)智能化,提高模型的工作效率。

    參考文獻(xiàn):

    [1]劉鑫.傳統(tǒng)與現(xiàn)代水文方法相結(jié)合在水系規(guī)劃中的應(yīng)用研究[J].城市道橋與防洪,2019(2):113-116,15.

    [2] KIM S,KISI O,SEO Y,WANG H,et al. Assessment of rainfall aggregation and disaggregation using data-driven models and wavelet decomposition[J]. Hydrology Research,2017,48(1):99-116.

    [3] SHI X J,ZHOU C R ,WANG H,et al.2015. Convolutional LSTM network: a machine learning approach for precipitationnowcasting[C]// Proceedings of the 28th International Conference on Neural Information Processing Systems,2015:802-810.

    [4]劉新,趙寧,郭金運(yùn),等.基于 LSTM神經(jīng)網(wǎng)絡(luò)的青藏高原月降水量預(yù)測[J].地球信息科學(xué)學(xué)報,2020,22(8):1617-1629.

    [5]凌銘,肖麗英,趙嘉,等.基于 SVM-CEEMDAN-BiLSTM模型的日降水量預(yù)測[J].人民珠江,2023,44(9):61-68.

    [6] LI S Z,XIE G,REN J C,et al. Urban PM2.5 Concentration Prediction via Attention-Based CNN –LSTM[J]. Applied Sciences,2020,10(6). DOI:10.3390/app10061953.

    [7]吳香華,華亞婕,官元紅,等.基于 CNN-Attention-BP 的降水發(fā)生預(yù)測研究[J].南京信息工程大學(xué)學(xué)報(自然科學(xué)版),2022,14(2):148-155.

    [8]王怡,普運(yùn)偉.基于 CNN-BiLSTM-Attention 融合神經(jīng)網(wǎng)絡(luò)的大氣溫度預(yù)測[J].中國水運(yùn)(下半月),2023,23(1):25-27.

    [9]韓瑩,管健,曹允重,等. LSTM-WBLS 模型在日降水量預(yù)測中的應(yīng)用[J].南京信息工程大學(xué)學(xué)報(自然科學(xué)版),2023,15(2):180-186.

    [10]沈皓俊,羅勇,趙宗慈,等.基于 LSTM 網(wǎng)絡(luò)的中國夏季降水預(yù)測研究[J].氣候變化研究進(jìn)展,2020,16(3):263-275.

    [11]翟月昊.基于BiLSTM和 GCN 的氣溫預(yù)測模型研究[D].南京:南京郵電大學(xué),2022.

    [12]萬齊斌,董方敏,孫水發(fā).基于BiLSTM-Attention-CNN 混合神經(jīng)網(wǎng)絡(luò)的文本分類方法[J].計算機(jī)應(yīng)用與軟件,2020,37(9):94-98,201.

    [13]劉媛媛.融合 CNN-LSTM 和注意力機(jī)制的空氣質(zhì)量指數(shù)預(yù)測[J].計算機(jī)時代,2022(1):58-60.

    [14]程娟娟.高??蒲信c教學(xué)關(guān)系實(shí)證研究:基于皮爾遜相關(guān)系數(shù)的分析[J].中國高校科技,2022(10):46-52.

    [15]王宏樂,王興林,李文波,等.深度學(xué)習(xí)訓(xùn)練數(shù)據(jù)分布對植物病害識別的影響研究[J].廣東農(nóng)業(yè)科學(xué),2022,49(6):100-107.

    [16]李梓毓,趙月愛.改進(jìn) Adam優(yōu)化算法的人臉檢測方法[J].太原師范學(xué)院學(xué)報(自然科學(xué)版),2022,21(4):58-63.

    [17]王攀杰,郭紹忠,侯明,等.激活函數(shù)的對比測試與分析[J].信息工程大學(xué)學(xué)報,2021,22(5):551-557.

    [18]WANG X L,YANG H,HAN D R,et al. Trial and error method for optimal tradable credit schemes:The network case[J]. Journal of Advanced Transportation,2014,48(6):685-700.

    [19]劉選.基于 CEEMDAN-BiLSTM的月降水量預(yù)測模型[J].江西水利科技,2023,49(4):277-282.

    (責(zé)任編輯:程茜)

    猜你喜歡
    氣象因子
    氣象因子和品種對冬小麥降落數(shù)值的影響
    金湖蓮藕全生育期氣象因子的影響分析
    春玉米需水量變化及其與氣象因子的關(guān)系探索構(gòu)架
    膠東半島地區(qū)氣象因子對冬小麥產(chǎn)量影響的研究
    遵義烤煙種植區(qū)氣候因子分析
    隨機(jī)森林在棉蚜蟲害等級預(yù)測中的應(yīng)用
    橡膠產(chǎn)量與氣象因子的灰色關(guān)聯(lián)性及逐步回歸分析研究
    呼吸道疾病與氣象因子的相關(guān)分析
    楊樹葉紋斑病與氣象因子的關(guān)系
    玉米彎孢菌葉斑病分生孢子飛散動態(tài)
    av在线蜜桃| 最近最新中文字幕免费大全7| 男女国产视频网站| 国产成人a∨麻豆精品| 亚洲欧美清纯卡通| 日本一本二区三区精品| 在线观看66精品国产| 国产三级在线视频| 天美传媒精品一区二区| 超碰97精品在线观看| 久久人妻av系列| 亚洲无线观看免费| 日韩av不卡免费在线播放| 免费不卡的大黄色大毛片视频在线观看 | 日韩一区二区视频免费看| 少妇的逼水好多| 欧美激情国产日韩精品一区| 亚洲国产精品sss在线观看| 激情 狠狠 欧美| 国产美女午夜福利| 99久久精品一区二区三区| 国内精品美女久久久久久| 精品一区二区免费观看| 一级毛片我不卡| 国产久久久一区二区三区| 精品少妇黑人巨大在线播放 | a级毛色黄片| 久久这里有精品视频免费| 国产熟女欧美一区二区| 又粗又爽又猛毛片免费看| 欧美bdsm另类| 好男人视频免费观看在线| 三级国产精品片| 国产在线一区二区三区精 | 床上黄色一级片| 精品久久久久久久末码| 成人性生交大片免费视频hd| 亚洲国产精品久久男人天堂| 久久久久久久久久久免费av| 99久久中文字幕三级久久日本| 毛片一级片免费看久久久久| 男女那种视频在线观看| 日本免费一区二区三区高清不卡| 听说在线观看完整版免费高清| 久99久视频精品免费| 可以在线观看毛片的网站| 欧美区成人在线视频| 成人毛片a级毛片在线播放| 亚洲国产欧洲综合997久久,| 国产老妇伦熟女老妇高清| 少妇熟女欧美另类| 亚洲av中文字字幕乱码综合| 久久久午夜欧美精品| 综合色av麻豆| 久久精品夜色国产| 日韩国内少妇激情av| 精品人妻视频免费看| 免费观看人在逋| 久久精品久久久久久久性| 国产激情偷乱视频一区二区| 国产成人精品久久久久久| 欧美区成人在线视频| 国产一区二区三区av在线| 我要搜黄色片| 嘟嘟电影网在线观看| 天天一区二区日本电影三级| 国产精品久久久久久精品电影| 97热精品久久久久久| 干丝袜人妻中文字幕| 亚洲,欧美,日韩| 久久国产乱子免费精品| 丝袜美腿在线中文| 老师上课跳d突然被开到最大视频| .国产精品久久| 精品一区二区免费观看| 国产亚洲av嫩草精品影院| 国产精品麻豆人妻色哟哟久久 | 日本与韩国留学比较| 亚洲怡红院男人天堂| 亚洲五月天丁香| 亚洲图色成人| 中文亚洲av片在线观看爽| 2021天堂中文幕一二区在线观| 国产精品人妻久久久影院| 国内精品宾馆在线| 小蜜桃在线观看免费完整版高清| 国产精品综合久久久久久久免费| 床上黄色一级片| 免费观看的影片在线观看| 国产成人a区在线观看| 成年女人看的毛片在线观看| 久久久久久久午夜电影| 久久久久九九精品影院| 久久久a久久爽久久v久久| 全区人妻精品视频| 欧美一区二区国产精品久久精品| 国产v大片淫在线免费观看| 国产伦一二天堂av在线观看| 日韩欧美 国产精品| 精品午夜福利在线看| 午夜免费激情av| 国产成人精品一,二区| 一个人看的www免费观看视频| 欧美bdsm另类| 午夜精品在线福利| 亚洲成av人片在线播放无| 国内少妇人妻偷人精品xxx网站| 美女国产视频在线观看| av卡一久久| 国产v大片淫在线免费观看| 久久久久久久久久久免费av| 精品久久国产蜜桃| 男人狂女人下面高潮的视频| 精品少妇黑人巨大在线播放 | 久久久a久久爽久久v久久| 午夜福利在线观看免费完整高清在| 国产国拍精品亚洲av在线观看| 国产中年淑女户外野战色| 国产伦理片在线播放av一区| 国产精品久久久久久精品电影| 丰满少妇做爰视频| 久热久热在线精品观看| 精品熟女少妇av免费看| 中文字幕熟女人妻在线| 久久精品国产亚洲av天美| 女人久久www免费人成看片 | 亚洲国产成人一精品久久久| 国产高清不卡午夜福利| 久久精品综合一区二区三区| 成年av动漫网址| 人体艺术视频欧美日本| 亚洲18禁久久av| 国产中年淑女户外野战色| 内射极品少妇av片p| 日韩精品有码人妻一区| 精品一区二区三区视频在线| 久久久久久久久中文| 日本色播在线视频| 国产亚洲精品久久久com| a级一级毛片免费在线观看| 天天躁夜夜躁狠狠久久av| 久久人人爽人人爽人人片va| 午夜精品在线福利| 久久久久久久久久成人| 久久久久久久久久黄片| 在线观看美女被高潮喷水网站| 99在线视频只有这里精品首页| 日韩视频在线欧美| 日本午夜av视频| 丰满少妇做爰视频| 午夜视频国产福利| www日本黄色视频网| 一区二区三区免费毛片| 日韩欧美在线乱码| 免费av毛片视频| 1024手机看黄色片| 少妇熟女aⅴ在线视频| 99热网站在线观看| 青春草国产在线视频| 国产精品国产高清国产av| 丰满人妻一区二区三区视频av| 亚洲四区av| 免费观看精品视频网站| 欧美日韩精品成人综合77777| 国模一区二区三区四区视频| 亚洲人成网站在线观看播放| 精品久久久久久电影网 | 国产亚洲5aaaaa淫片| 91精品伊人久久大香线蕉| 成人美女网站在线观看视频| 欧美日韩综合久久久久久| 国产伦精品一区二区三区视频9| 嫩草影院入口| 欧美成人精品欧美一级黄| 亚洲av二区三区四区| 亚洲av.av天堂| 亚洲av免费高清在线观看| 国产精品野战在线观看| 久久99热这里只有精品18| 毛片女人毛片| 国产精品99久久久久久久久| 久久久久久久久久黄片| 婷婷色av中文字幕| av在线蜜桃| 超碰av人人做人人爽久久| 18禁动态无遮挡网站| 午夜福利在线观看免费完整高清在| 听说在线观看完整版免费高清| 别揉我奶头 嗯啊视频| 色综合站精品国产| 高清av免费在线| 久久久国产成人免费| 久久久久免费精品人妻一区二区| 国产精品一区二区三区四区久久| 欧美成人午夜免费资源| 亚洲欧美精品专区久久| 国产人妻一区二区三区在| 在线播放无遮挡| av免费观看日本| 国产黄色小视频在线观看| 韩国av在线不卡| 国产成人精品一,二区| av播播在线观看一区| 亚洲va在线va天堂va国产| 女的被弄到高潮叫床怎么办| 国产成人一区二区在线| 日韩av在线免费看完整版不卡| 国产精品三级大全| 成人无遮挡网站| 一级爰片在线观看| 搡女人真爽免费视频火全软件| 久99久视频精品免费| 精品酒店卫生间| 亚洲内射少妇av| 特大巨黑吊av在线直播| 汤姆久久久久久久影院中文字幕 | 久久精品久久精品一区二区三区| 亚洲欧美精品综合久久99| 女人久久www免费人成看片 | 日韩,欧美,国产一区二区三区 | 搞女人的毛片| 久久久精品94久久精品| 天堂影院成人在线观看| 免费看a级黄色片| 国产精品久久视频播放| 亚洲欧美成人精品一区二区| 亚洲av成人精品一二三区| 免费观看的影片在线观看| kizo精华| 国产精品三级大全| 国产高清三级在线| 最新中文字幕久久久久| 一级黄片播放器| 精品国产一区二区三区久久久樱花 | 欧美xxxx黑人xx丫x性爽| 天堂影院成人在线观看| 午夜福利高清视频| 国产在视频线精品| h日本视频在线播放| 一边亲一边摸免费视频| 国产人妻一区二区三区在| 欧美高清成人免费视频www| 两个人的视频大全免费| 国产私拍福利视频在线观看| 亚洲欧美清纯卡通| 午夜精品一区二区三区免费看| 九九在线视频观看精品| 国产精品,欧美在线| 久久久久九九精品影院| 老女人水多毛片| 麻豆久久精品国产亚洲av| 亚洲内射少妇av| 国产精品国产三级国产专区5o | 99热网站在线观看| 亚洲五月天丁香| 高清在线视频一区二区三区 | 亚洲美女视频黄频| 日本一二三区视频观看| 天堂网av新在线| 三级国产精品欧美在线观看| 亚洲av免费在线观看| 国产精华一区二区三区| 国产精品野战在线观看| 亚洲真实伦在线观看| 亚洲高清免费不卡视频| 在线播放国产精品三级| 夜夜看夜夜爽夜夜摸| 色哟哟·www| 国产69精品久久久久777片| 熟妇人妻久久中文字幕3abv| 村上凉子中文字幕在线| 一个人免费在线观看电影| 91精品国产九色| 黄色一级大片看看| АⅤ资源中文在线天堂| 男人狂女人下面高潮的视频| 一个人看的www免费观看视频| 美女黄网站色视频| 国产精品美女特级片免费视频播放器| 成人午夜精彩视频在线观看| 亚洲欧美精品专区久久| 日韩av在线大香蕉| 男女那种视频在线观看| 22中文网久久字幕| 少妇裸体淫交视频免费看高清| 99久久人妻综合| 精品人妻偷拍中文字幕| 青春草亚洲视频在线观看| 中文字幕制服av| av在线蜜桃| 美女脱内裤让男人舔精品视频| 好男人在线观看高清免费视频| 一级爰片在线观看| 日韩人妻高清精品专区| 国产高清国产精品国产三级 | 亚洲国产成人一精品久久久| 三级男女做爰猛烈吃奶摸视频| 爱豆传媒免费全集在线观看| 中文乱码字字幕精品一区二区三区 | 久久久久性生活片| 精品酒店卫生间| 欧美精品国产亚洲| videos熟女内射| 国产一区二区在线观看日韩| 女的被弄到高潮叫床怎么办| 日本午夜av视频| 桃色一区二区三区在线观看| 日本五十路高清| 熟女人妻精品中文字幕| 国内少妇人妻偷人精品xxx网站| 国产亚洲av嫩草精品影院| 欧美最新免费一区二区三区| 男女边吃奶边做爰视频| 婷婷色av中文字幕| 亚洲国产高清在线一区二区三| 视频中文字幕在线观看| 亚洲人成网站高清观看| av免费在线看不卡| 精品久久久久久久久久久久久| 看非洲黑人一级黄片| 日本黄色片子视频| 日韩欧美精品v在线| 日韩一区二区三区影片| 久久久久久九九精品二区国产| 亚洲国产精品成人综合色| 精品久久久久久久人妻蜜臀av| 精品国产三级普通话版| 欧美xxxx性猛交bbbb| 身体一侧抽搐| 亚洲国产色片| 日韩人妻高清精品专区| 非洲黑人性xxxx精品又粗又长| 午夜福利高清视频| 国产麻豆成人av免费视频| 国内精品美女久久久久久| 午夜免费激情av| 一级黄色大片毛片| 日韩高清综合在线| 国产精品久久久久久久电影| 久久国内精品自在自线图片| 国产极品精品免费视频能看的| 91在线精品国自产拍蜜月| 青春草视频在线免费观看| 少妇人妻一区二区三区视频| 日本欧美国产在线视频| 日本-黄色视频高清免费观看| 能在线免费看毛片的网站| .国产精品久久| 国产精品久久久久久av不卡| 在线a可以看的网站| 男女视频在线观看网站免费| 色网站视频免费| 97热精品久久久久久| 夫妻性生交免费视频一级片| 久久久久九九精品影院| 看十八女毛片水多多多| 中文字幕熟女人妻在线| av在线亚洲专区| 色哟哟·www| 国产大屁股一区二区在线视频| 男人舔女人下体高潮全视频| 国产v大片淫在线免费观看| 亚洲国产精品sss在线观看| 婷婷色av中文字幕| 97人妻精品一区二区三区麻豆| 麻豆av噜噜一区二区三区| 午夜福利在线在线| 男人狂女人下面高潮的视频| 色噜噜av男人的天堂激情| 老司机福利观看| 精品久久久久久久久亚洲| 女的被弄到高潮叫床怎么办| 草草在线视频免费看| 久久精品国产亚洲av天美| 久久99热这里只有精品18| 亚洲国产精品国产精品| 亚洲欧美精品专区久久| 三级国产精品片| 国产三级在线视频| 晚上一个人看的免费电影| 亚洲精品成人久久久久久| 久久久久网色| 国产极品精品免费视频能看的| 毛片女人毛片| 日本免费一区二区三区高清不卡| 人妻系列 视频| av播播在线观看一区| 成人二区视频| 热99在线观看视频| 国产 一区 欧美 日韩| 亚洲精品乱久久久久久| 久久这里有精品视频免费| 国产精品久久久久久精品电影| 久久精品国产99精品国产亚洲性色| 国产三级中文精品| 午夜激情欧美在线| 成人三级黄色视频| 99热这里只有精品一区| 久久久久久伊人网av| 久久人妻av系列| 国产精品一区二区三区四区久久| 久久精品熟女亚洲av麻豆精品 | 一个人免费在线观看电影| 国产探花极品一区二区| 天美传媒精品一区二区| 国产欧美日韩精品一区二区| 日韩三级伦理在线观看| 国产激情偷乱视频一区二区| 欧美一区二区亚洲| 免费无遮挡裸体视频| 欧美成人一区二区免费高清观看| 寂寞人妻少妇视频99o| 国产精品一区www在线观看| 日韩精品青青久久久久久| 99热这里只有是精品在线观看| 自拍偷自拍亚洲精品老妇| 国产一级毛片在线| www.色视频.com| 国产一区有黄有色的免费视频 | 亚洲精品日韩av片在线观看| 乱系列少妇在线播放| 国产白丝娇喘喷水9色精品| 一夜夜www| 国产毛片a区久久久久| 国产精品久久视频播放| 欧美三级亚洲精品| 能在线免费观看的黄片| 国产极品天堂在线| 成人鲁丝片一二三区免费| 男女下面进入的视频免费午夜| 久久精品国产99精品国产亚洲性色| 日产精品乱码卡一卡2卡三| 午夜精品在线福利| 你懂的网址亚洲精品在线观看 | 深夜a级毛片| 蜜桃久久精品国产亚洲av| 七月丁香在线播放| 中文字幕久久专区| 日韩强制内射视频| 熟妇人妻久久中文字幕3abv| 色播亚洲综合网| 精品国产露脸久久av麻豆 | 日日干狠狠操夜夜爽| 干丝袜人妻中文字幕| 久久精品人妻少妇| 美女内射精品一级片tv| 搞女人的毛片| 国产高清国产精品国产三级 | 精品熟女少妇av免费看| av卡一久久| 人妻制服诱惑在线中文字幕| 97超视频在线观看视频| 午夜精品国产一区二区电影 | 中文字幕精品亚洲无线码一区| 1000部很黄的大片| 日本欧美国产在线视频| 亚洲成人av在线免费| 亚洲精品国产成人久久av| 国产日韩欧美在线精品| 国产精品av视频在线免费观看| 中文字幕制服av| 亚洲成人中文字幕在线播放| 国产亚洲一区二区精品| 人妻夜夜爽99麻豆av| videossex国产| 三级经典国产精品| 校园人妻丝袜中文字幕| 国产亚洲精品av在线| 97在线视频观看| 成人一区二区视频在线观看| 亚洲综合色惰| 直男gayav资源| 国产不卡一卡二| 如何舔出高潮| 91av网一区二区| 男人狂女人下面高潮的视频| 久久99精品国语久久久| 久久精品夜色国产| 日本免费一区二区三区高清不卡| 久久久久网色| 国内精品美女久久久久久| 亚洲四区av| 天堂中文最新版在线下载 | 亚洲色图av天堂| 亚洲综合精品二区| 日日啪夜夜撸| 亚洲国产精品久久男人天堂| 少妇的逼好多水| 内射极品少妇av片p| 一边摸一边抽搐一进一小说| 日韩人妻高清精品专区| 午夜福利成人在线免费观看| 亚洲熟妇中文字幕五十中出| 特级一级黄色大片| 亚洲综合精品二区| 亚洲av中文av极速乱| 久久久久久久国产电影| 国产成人精品婷婷| 久久精品国产亚洲av涩爱| 一区二区三区乱码不卡18| 男女啪啪激烈高潮av片| 午夜精品国产一区二区电影 | 国产精品一区二区性色av| 韩国av在线不卡| 亚洲av成人精品一二三区| 99热精品在线国产| av在线播放精品| 你懂的网址亚洲精品在线观看 | 国产精品av视频在线免费观看| 免费人成在线观看视频色| 久久精品久久精品一区二区三区| 身体一侧抽搐| 99久国产av精品| 国产欧美另类精品又又久久亚洲欧美| a级一级毛片免费在线观看| 久久精品综合一区二区三区| 麻豆一二三区av精品| 欧美性猛交╳xxx乱大交人| 久久久久久久久久成人| 亚洲精品影视一区二区三区av| 国产精品综合久久久久久久免费| 中文字幕制服av| 天堂√8在线中文| 两性午夜刺激爽爽歪歪视频在线观看| 国产亚洲av嫩草精品影院| 国产精品福利在线免费观看| 亚洲不卡免费看| 我的女老师完整版在线观看| 国产淫语在线视频| 舔av片在线| 不卡视频在线观看欧美| 最近手机中文字幕大全| 久久99精品国语久久久| 国产 一区 欧美 日韩| 美女xxoo啪啪120秒动态图| 在线天堂最新版资源| 久久99热6这里只有精品| 久久久久久伊人网av| 91精品一卡2卡3卡4卡| 一级毛片我不卡| 国产三级在线视频| 一级爰片在线观看| 日日干狠狠操夜夜爽| 国产女主播在线喷水免费视频网站 | 成年av动漫网址| 国国产精品蜜臀av免费| 欧美最新免费一区二区三区| 国产乱来视频区| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 中文乱码字字幕精品一区二区三区 | 久久久久久伊人网av| 欧美日本视频| 2021少妇久久久久久久久久久| 日本色播在线视频| 国产欧美日韩精品一区二区| 嫩草影院入口| 亚洲真实伦在线观看| av在线老鸭窝| av在线播放精品| 国内少妇人妻偷人精品xxx网站| 欧美高清性xxxxhd video| 91久久精品国产一区二区三区| 小说图片视频综合网站| 18禁动态无遮挡网站| 又粗又硬又长又爽又黄的视频| 岛国毛片在线播放| 免费黄色在线免费观看| 最近最新中文字幕免费大全7| 久久久久久久久久成人| 精品一区二区三区视频在线| 久久精品夜夜夜夜夜久久蜜豆| 午夜视频国产福利| 一本久久精品| 国产av在哪里看| 亚洲在线自拍视频| 亚洲aⅴ乱码一区二区在线播放| 男女啪啪激烈高潮av片| 中文字幕人妻熟人妻熟丝袜美| 欧美一区二区亚洲| 国产成人精品久久久久久| 欧美另类亚洲清纯唯美| 国产男人的电影天堂91| 少妇的逼水好多| 亚洲aⅴ乱码一区二区在线播放| 又粗又爽又猛毛片免费看| 中文在线观看免费www的网站| 观看美女的网站| 亚洲精品aⅴ在线观看| 久久精品国产亚洲av天美| 美女xxoo啪啪120秒动态图| av在线蜜桃| 日本三级黄在线观看| 中文字幕熟女人妻在线| 亚洲中文字幕一区二区三区有码在线看| 午夜福利成人在线免费观看| 日韩强制内射视频| 国产一级毛片七仙女欲春2| 亚洲久久久久久中文字幕| 97在线视频观看| 夜夜看夜夜爽夜夜摸| 欧美成人精品欧美一级黄| 丰满乱子伦码专区| 免费观看在线日韩| 国产精品久久电影中文字幕| 精品午夜福利在线看| 国产伦理片在线播放av一区| 美女cb高潮喷水在线观看| 在线观看一区二区三区| 国产精品野战在线观看| 午夜免费激情av| 久久精品久久久久久噜噜老黄 | 欧美成人a在线观看| 黄片无遮挡物在线观看| 国产伦精品一区二区三区四那| 男人的好看免费观看在线视频|