• <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 ?

    基于二向注意力循環(huán)神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測

    2020-03-26 05:57:34楊亞莉李智偉鐘衛(wèi)軍
    空軍工程大學(xué)學(xué)報 2020年6期
    關(guān)鍵詞:模型

    楊亞莉, 李智偉, 鐘衛(wèi)軍

    (1.空軍工程大學(xué)基礎(chǔ)部, 西安, 710051; 2.宇航動力學(xué)國家重點(diǎn)實(shí)驗(yàn)室, 西安, 710043)

    隨著我國工業(yè)化和城鎮(zhèn)化的快速發(fā)展,大氣污染逐漸成為我們在發(fā)展過程中不可忽視的問題。作為衡量空氣質(zhì)量的重要指標(biāo),細(xì)顆粒物(PM2.5)顆粒小、活性強(qiáng)、空中停留時間長,易攜帶有毒有害物質(zhì),對人體和環(huán)境的危害更嚴(yán)重,導(dǎo)致老人、兒童等弱體質(zhì)人群易引發(fā)呼吸系統(tǒng)和心血管等疾病[1]。對PM2.5進(jìn)行準(zhǔn)確預(yù)測,有利于相關(guān)部門管理和治理空氣問題,并可為居民提供空氣污染預(yù)警,保障人民健康。

    PM2.5的形成原因及影響其濃度的因素仍未有統(tǒng)一的認(rèn)識,同時各類影響因素具有一定的隨機(jī)性,增加了預(yù)測PM2.5濃度的難度[2]。目前,預(yù)測方法主要有確定性模型和統(tǒng)計模型。確定性模型是一種理論模擬方法,充分描述大氣污染物擴(kuò)散和稀釋過程中復(fù)雜的物理和化學(xué)變化。Shorshani等[3]利用改進(jìn)的高斯模型模擬了公路旁PM2.5濃度的變化,Djalalova等[4]利用卡爾曼濾波法預(yù)測了PM2.5的濃度。統(tǒng)計模型是利用各類數(shù)值模擬技術(shù)對大量的空氣質(zhì)量數(shù)據(jù)與氣象數(shù)據(jù)進(jìn)行分析,進(jìn)而挖掘潛在規(guī)律的方法。彭巖等[5]提出了一種基于集成樹-梯度提升決策樹的PM2.5濃度預(yù)測模型;羅宏遠(yuǎn)等[6]開展了基于二層分解技術(shù)和改進(jìn)極限學(xué)習(xí)機(jī)模型的PM2.5濃度預(yù)測研究;張熙來等[7]基于單時間序列數(shù)據(jù)的動態(tài)調(diào)整模型來進(jìn)行預(yù)測。此外,還有大量基于機(jī)器學(xué)習(xí)的PM2.5濃度預(yù)測模型,如支持向量機(jī)[8]、隨機(jī)森林[9]、Seq2seq模型[10]。

    傳統(tǒng)的統(tǒng)計模型方法是使用向量自回歸模型[11]、ARMAX[12]、ARIMAX[13]等模型,但這些方法只能提取到相對簡單的線性特征,難以有效提取出較為復(fù)雜的非線性特征。隨著機(jī)器學(xué)習(xí)研究的深入,深度學(xué)習(xí)模型以其強(qiáng)大的非線性特征提取和分析能力逐漸受到研究人員的青睞,其中,循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)[14]憑借其特殊的結(jié)構(gòu),在時間序列預(yù)測任務(wù)中展現(xiàn)了比其他模型更優(yōu)越的性能。但標(biāo)準(zhǔn)的RNN網(wǎng)絡(luò)在長序列訓(xùn)練過程中容易出現(xiàn)梯度消失和梯度爆炸的問題,為此,研究人員又提出了一類特殊的RNN網(wǎng)絡(luò)——長短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)[15],進(jìn)一步提升了模型對時序數(shù)據(jù)的特征提取能力。為了解決信息超載問題,研究人員通過注意力機(jī)制,將計算資源分配給更重要的任務(wù)?;谧⒁饬C(jī)制的深度學(xué)習(xí)網(wǎng)絡(luò)往往能比其初始網(wǎng)絡(luò)表現(xiàn)出更強(qiáng)的性能。

    在以上研究的基礎(chǔ)上,本文提出了二向注意力循環(huán)神經(jīng)網(wǎng)絡(luò)模型(Two-Direction Attention-Based Recurrent Neural Network, TDA-RNN)。

    1 數(shù)據(jù)來源及預(yù)處理

    本文建模和評估使用的是北京地區(qū)的空氣質(zhì)量數(shù)據(jù)集,來自于UCI機(jī)器學(xué)習(xí)倉庫[16]。該數(shù)據(jù)集記錄了2010年1月1日到2014年12月31日每小時的北京空氣質(zhì)量,共計43 824組,包含8項(xiàng)不同的氣象條件數(shù)據(jù):PM2.5濃度、露點(diǎn)、溫度、大氣壓強(qiáng)、風(fēng)向、風(fēng)速、累積雪量和累積雨量。

    由于不同變量采用了不同的單位來衡量,為使模型在訓(xùn)練過程中能收斂,在建立模型前,需對原始數(shù)據(jù)進(jìn)行無量綱化處理:

    (1)

    2 TDA-RNN模型構(gòu)建

    為提高模型對多變量時序預(yù)測的精度,Yao Q等[17]設(shè)計了基于雙階段注意力的循環(huán)神經(jīng)網(wǎng)絡(luò)。受該模型的啟發(fā),本文設(shè)計了二向注意力循環(huán)神經(jīng)網(wǎng)絡(luò)TDA-RNN。

    TDA-RNN主要處理流程分為4步:①首先通過類別注意力模塊,對輸入的多變量數(shù)據(jù)的不同變量進(jìn)行分析,從而獲取不同變量數(shù)據(jù)的類別注意力;②通過時序注意力模塊,對輸入的多變量數(shù)據(jù)的不同時間步進(jìn)行分析,從而獲取數(shù)據(jù)的時序注意力;③將時序注意力與類別注意力進(jìn)行融合,獲取每個輸入數(shù)據(jù)的注意力,更新輸入數(shù)據(jù)并對其進(jìn)行特征編碼;④將編碼后的特征矩陣與PM2.5濃度的歷史數(shù)據(jù)進(jìn)行融合,并將其輸入特征解碼器中進(jìn)行解碼,獲取最終的預(yù)測值。TDA-RNN的網(wǎng)絡(luò)結(jié)構(gòu)見圖1。

    圖1 TDA-RNN模型結(jié)構(gòu)

    TDA-RNN是一個多輸入單輸出模型,需輸入目標(biāo)序列的歷史數(shù)據(jù)Y′和多變量數(shù)據(jù)X,輸出為預(yù)測變量值Y,其中X=(x1,x2,…,xT)T=(x1,x2,…,xN),Y′=(y1,y2,…,yT),xt∈RN,xn∈RT,Y,yt∈R,N為影響目標(biāo)序列的因素的數(shù)量,T為模型輸入的時間窗口長度。因此,模型TDA-RNN可表示為需要通過訓(xùn)練獲得具體參數(shù)的非線性函數(shù)F:

    Y=F(Y′,X)=F(y1,y2,…,yT,x1,x2,…,xN)

    (2)

    2.1 類別注意力

    RNN是一類以序列數(shù)據(jù)為輸入的遞歸神經(jīng)網(wǎng)絡(luò),其在序列的演進(jìn)方向進(jìn)行遞歸的特性使得RNN在語音識別、機(jī)器翻譯、時間序列預(yù)測等方面性能顯著[18]。使用RNN進(jìn)行時間序列預(yù)測,模型獲取輸入序列數(shù)據(jù)(x1,x2,…,xT),其中xt∈Rn,n為與目標(biāo)序列相關(guān)的因素的數(shù)量,并將通過訓(xùn)練得到非線性函數(shù)f:

    ht=f(ht-1,xt)

    (3)

    式中:ht∈Rm是RNN在t時刻的隱藏狀態(tài);m為隱藏狀態(tài)的序列長度。非線性函數(shù)f可以是標(biāo)準(zhǔn)RNN層、LSTM層或GRU層。

    LSTM層不僅保留了標(biāo)準(zhǔn)RNN層的允許信息持久化的特性,還改善了RNN長期依賴問題。因此,使用LSTM層來為模型提取序列數(shù)據(jù)中的長期和短期依賴特征。每個LSTM單元通過忘記門ft、輸入門it和輸出門ot這3個門結(jié)構(gòu)來存儲和更新模型在t時刻的細(xì)胞狀態(tài)st和隱藏狀態(tài)ht:

    (4)

    式中:[ht-1;xt]∈Rm+n是由t-1時刻的隱藏狀態(tài)ht-1與t時刻輸入的xt拼接而成;Wf,Wi,Wo,Ws∈Rm×(m+n)和bf,bi,bo;bs∈Rm是網(wǎng)絡(luò)需要通過訓(xùn)練獲取的參數(shù);σ是sigmoid函數(shù),⊙是哈達(dá)瑪積運(yùn)算。

    (5)

    (6)

    2.2 時序注意力

    (7)

    (8)

    2.3 特征編碼器

    (9)

    利用新的LSTM層對更新后的多變量數(shù)據(jù)進(jìn)行編碼,獲取LSTM單元在不同時刻t的隱藏狀態(tài)ht,并將其作為編碼后的特征矩陣:

    ht=f1(ht-1,xt)

    (10)

    2.4 特征解碼器

    為了提高模型的預(yù)測精度,將目標(biāo)序列的歷史數(shù)據(jù)與其他影響因素的歷史數(shù)據(jù)分別輸入模型中,并將特征編碼器獲得的特征矩陣與目標(biāo)序列的歷史數(shù)據(jù)融合后進(jìn)行初次解碼:

    (11)

    通過初次解碼獲得的yt-1可用于更新特征解碼器在時刻t的隱藏狀態(tài)Ht:

    Ht=f2(Ht-1,yt-1)

    (12)

    使用LSTM單元作為非線性函數(shù)f2。Ht通過方程組(13)進(jìn)行更新:

    (13)

    對于獲得更新后的Ht,進(jìn)行最終解碼,獲得模型的預(yù)測值:

    (14)

    式中:w0∈Rm和b0∈R為網(wǎng)絡(luò)需要通過訓(xùn)練獲得的參數(shù);Y為模型最終的預(yù)測值。

    2.5 參數(shù)設(shè)置

    將數(shù)據(jù)集按0.722 5∶0.127 5∶0.15的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集,設(shè)置損失函數(shù)為MSE,并使用Adam作為模型訓(xùn)練的優(yōu)化器。同時,為了減少不必要的訓(xùn)練時間,采用“早停法”,即當(dāng)模型在驗(yàn)證集上的損失函數(shù)在20個輪次的訓(xùn)練中未發(fā)生下降時,模型停止訓(xùn)練。

    3 實(shí)驗(yàn)結(jié)果及分析

    3.1 模型評估標(biāo)準(zhǔn)

    為了衡量模型的預(yù)測性能,本文選擇擬合優(yōu)度R2、均方根誤差(RMSE)、平均絕對誤差(MAE)和平均絕對百分比誤差(MAPE)作為評價指標(biāo)。

    (15)

    (16)

    (17)

    (18)

    3.2 不同模型性能對比

    在TDA-RNN網(wǎng)絡(luò)中,有2個主要的參數(shù),分別是時間窗口長度T和隱藏狀態(tài)的序列長度m。參數(shù)選擇的不同,會導(dǎo)致模型性能的差異。分別取T∈{3,6,12,18,24}和m∈{8,16,32,64}并進(jìn)行訓(xùn)練,實(shí)驗(yàn)結(jié)果表明,當(dāng)m=64、T=12時,TDA-RNN模型的預(yù)測精度最高。

    為了充分評估模型的預(yù)測性能,使用前向型神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)、門控循環(huán)單元(Gate Recurrent Unit, GRU)模型、LSTM和滑動平均模型(Moving Average Model, MA)4種模型作為對照模型。BPNN模型是目前應(yīng)用最廣泛、構(gòu)造過程最規(guī)范的一類神經(jīng)網(wǎng)絡(luò);MA是模型參量法譜分析方法之一,也是現(xiàn)代譜估計中常用的模型;GRU和LSTM均為標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)的改進(jìn)結(jié)構(gòu),是目前性能較好的時間序列預(yù)測模型。

    表1為不同模型的評估結(jié)果,從中可以看出,文中提出的TDA-RNN模型不僅擬合優(yōu)度R2最低,而且RMSE、MAE和MAPE均遠(yuǎn)低于4個對照模型,說明其整體預(yù)測性能最優(yōu)。同時,由于該模型是在LSTM模型的基礎(chǔ)上構(gòu)建且性能明顯提高,說明本文提出的二向注意力機(jī)制對模型產(chǎn)生了正向作用;BPNN、GRU和LSTM的評估結(jié)果接近,其中GRU的性能略強(qiáng)于BPNN和LSTM;MA模型除了在MAPE這一評估參數(shù)上優(yōu)于LSTM模型外,在4項(xiàng)評估參數(shù)上均表現(xiàn)最差,說明線性模型由于其非線性特征提取能力較差,已難以滿足PM2.5濃度預(yù)測的需要。

    表1 不同模型評估結(jié)果

    圖2為不同模型在測試集上預(yù)測結(jié)果的APE箱線圖。根據(jù)圖2可知,TDA-RNN模型在測試集上預(yù)測值的相對百分比誤差的平均值和上邊緣值均低于對照模型,且預(yù)測值誤差的分布更集中。圖2從誤差分布方面進(jìn)一步說明了TDA-RNN在該數(shù)據(jù)集上有較高的預(yù)測性能。

    圖2 不同模型預(yù)測結(jié)果的APE箱線圖

    3.3 參數(shù)敏感性

    不同的參數(shù),可能導(dǎo)致深度學(xué)習(xí)模型的性能有較大的差異。本文對TDA-RNN模型的主要參數(shù)T和m進(jìn)行了參數(shù)敏感性實(shí)驗(yàn)。改變T或m時,保持其他參數(shù)不變并對模型進(jìn)行訓(xùn)練,結(jié)果見圖3。

    圖3 不同參數(shù)的模型在測試集上的RMSE

    當(dāng)(T,m)=(3,32),(3,64),(6,64)時,TDA-RNN模型對任何輸入均有相同的輸出,此時模型的訓(xùn)練出現(xiàn)梯度消失現(xiàn)象,導(dǎo)致模型無法對數(shù)據(jù)集進(jìn)行有效的訓(xùn)練。

    從圖3(a)可知,TDA-RNN在測試集上的RMSE隨參數(shù)m的變化是沒有規(guī)律的,甚至當(dāng)T=12和T=24時的規(guī)律幾乎是相反的。因此,m的選擇需要通過實(shí)驗(yàn)來確定。

    從圖3(b)可知,T的取值較大或較小,均會導(dǎo)致模型預(yù)測誤差的增大。這是因?yàn)楫?dāng)T取值較小時,模型獲取的信息不充分,導(dǎo)致模型對缺乏足夠的信息來進(jìn)行預(yù)測;取值較大時,模型雖然獲取了更多的信息,但是過量的信息增加了模型對重要信息提取和分析的難度。

    3.4 抗干擾能力檢測

    由于PM2.5形成原因復(fù)雜,在進(jìn)行PM2.5濃度預(yù)測時使用的其他氣象數(shù)據(jù)不一定與PM2.5濃度變化有直接關(guān)系,此時,對網(wǎng)絡(luò)來說相當(dāng)于引入了干擾因素。因此,檢測網(wǎng)絡(luò)的抗干擾性能是非常必要的。

    首先隨機(jī)生成一列滿足正態(tài)分布的數(shù)據(jù),并將其作為一類氣象數(shù)據(jù)添加至模型的輸入X;然后在不調(diào)整模型參數(shù)和結(jié)構(gòu)的情況下,對TDA-RNN和其他對照模型進(jìn)行訓(xùn)練。

    表2為不同模型在含有干擾因素的數(shù)據(jù)集上的評估結(jié)果。當(dāng)m=64、T=12時,TDA-RNN的4項(xiàng)評估指標(biāo)R2、RMSE、MAE和MAPE分別為0.934 9、20.15、11.43和0.246 3,均優(yōu)于對照模型。圖4為不同模型在測試集上預(yù)測結(jié)果的APE箱線圖。

    表2 不同模型在含有干擾因素的數(shù)據(jù)集上的評估結(jié)果

    注:*表示該模型是在含有干擾因素的數(shù)據(jù)集上訓(xùn)練。

    根據(jù)圖4可知,在不調(diào)整模型參數(shù)和結(jié)構(gòu)的情況下,各類模型在含有干擾因素的數(shù)據(jù)集上的預(yù)測精度均有了不同程度的降低。其中,TDA-RNN和GRU在測試集上的預(yù)測誤差的上四分位數(shù)降低程度最低,說明模型抗干擾能力較強(qiáng)。通過對比TDA-RNN與LSTM模型的評估結(jié)果可知本文提出的二向注意力機(jī)制增強(qiáng)了模型的抗干擾能力。

    4 結(jié)語

    針對現(xiàn)有PM2.5濃度預(yù)測模型效果不穩(wěn)定、泛化能力差的問題,本文提出了二向注意力循環(huán)神經(jīng)網(wǎng)絡(luò)TDA-RNN,實(shí)現(xiàn)了對PM2.5濃度的準(zhǔn)確預(yù)測。模型分別在時序和類別這兩個維度上使用注意力機(jī)制,實(shí)現(xiàn)了對計算資源的優(yōu)化分配,使TDA-RNN模型擁有更高的預(yù)測精度。注意力機(jī)制的合理使用,使模型對干擾因素有較強(qiáng)的識別能力,增強(qiáng)了模型的抗干擾能力。同時,TDA-RNN也適用于其他應(yīng)用場景的多變量時間序列預(yù)測,具有廣闊的工程應(yīng)用前景。

    猜你喜歡
    模型
    一半模型
    一種去中心化的域名服務(wù)本地化模型
    適用于BDS-3 PPP的隨機(jī)模型
    提煉模型 突破難點(diǎn)
    函數(shù)模型及應(yīng)用
    p150Glued在帕金森病模型中的表達(dá)及分布
    函數(shù)模型及應(yīng)用
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
    3D打印中的模型分割與打包
    久久婷婷青草| 欧美xxxx性猛交bbbb| 青春草国产在线视频| 国产 精品1| 日韩免费高清中文字幕av| 成年人午夜在线观看视频| 国产精品99久久99久久久不卡 | 亚洲精品久久成人aⅴ小说 | 国产免费一级a男人的天堂| 精品酒店卫生间| 欧美激情极品国产一区二区三区 | 久久久久久久久久久久大奶| 亚洲精品aⅴ在线观看| 国产成人精品久久久久久| 亚洲欧美精品自产自拍| 久久久久久久久久久久大奶| 日韩人妻高清精品专区| 美女大奶头黄色视频| 国产成人精品无人区| av在线观看视频网站免费| 亚洲色图 男人天堂 中文字幕 | 久久免费观看电影| 亚洲色图 男人天堂 中文字幕 | 男人操女人黄网站| 亚洲天堂av无毛| 亚洲美女视频黄频| 自拍欧美九色日韩亚洲蝌蚪91| 国产欧美另类精品又又久久亚洲欧美| 男女边吃奶边做爰视频| 亚洲精品久久午夜乱码| √禁漫天堂资源中文www| 校园人妻丝袜中文字幕| 一区二区三区乱码不卡18| 免费日韩欧美在线观看| 少妇 在线观看| 91精品国产九色| 亚洲第一av免费看| kizo精华| 免费av不卡在线播放| 高清黄色对白视频在线免费看| 一级,二级,三级黄色视频| 亚洲精品日韩av片在线观看| 国产成人91sexporn| 少妇的逼好多水| 国产精品女同一区二区软件| 毛片一级片免费看久久久久| 免费观看的影片在线观看| 少妇熟女欧美另类| 久久婷婷青草| 亚洲国产日韩一区二区| 精品熟女少妇av免费看| 男的添女的下面高潮视频| 免费人妻精品一区二区三区视频| 黄片无遮挡物在线观看| 最黄视频免费看| 亚州av有码| 欧美另类一区| 亚洲欧美日韩卡通动漫| av电影中文网址| 欧美日韩av久久| 韩国高清视频一区二区三区| 蜜桃久久精品国产亚洲av| 欧美精品高潮呻吟av久久| 亚洲人成网站在线观看播放| 免费看光身美女| 熟女电影av网| 亚洲av日韩在线播放| 亚洲精品自拍成人| 婷婷色综合大香蕉| 日韩制服骚丝袜av| 日韩av免费高清视频| 免费大片18禁| 亚洲精品国产av成人精品| 在线免费观看不下载黄p国产| 久久久久久久国产电影| 亚洲av成人精品一区久久| 日韩成人伦理影院| 人人妻人人澡人人爽人人夜夜| 欧美日韩一区二区视频在线观看视频在线| 美女大奶头黄色视频| av在线观看视频网站免费| 国产成人91sexporn| 日韩强制内射视频| 久久韩国三级中文字幕| 在线 av 中文字幕| 另类精品久久| 精品亚洲成国产av| 考比视频在线观看| 大香蕉久久网| 我的老师免费观看完整版| 免费高清在线观看视频在线观看| 久久久国产一区二区| 色婷婷av一区二区三区视频| 国产成人精品婷婷| 免费大片18禁| 91精品国产国语对白视频| 色婷婷久久久亚洲欧美| 欧美3d第一页| 国产日韩欧美在线精品| 欧美+日韩+精品| 国产精品久久久久久久电影| 在线观看免费日韩欧美大片 | 熟妇人妻不卡中文字幕| 大又大粗又爽又黄少妇毛片口| 亚洲,欧美,日韩| 大陆偷拍与自拍| 日产精品乱码卡一卡2卡三| 色吧在线观看| 免费大片18禁| 成年人午夜在线观看视频| 久久久久久人妻| 80岁老熟妇乱子伦牲交| 久久女婷五月综合色啪小说| 国产精品 国内视频| 少妇丰满av| 黑人猛操日本美女一级片| 久久韩国三级中文字幕| 亚洲精品第二区| 亚洲国产精品国产精品| 日本欧美视频一区| 亚洲欧美成人精品一区二区| 五月开心婷婷网| 22中文网久久字幕| 久久精品国产自在天天线| 成人国产av品久久久| 一级毛片 在线播放| 国产日韩一区二区三区精品不卡 | 日本欧美视频一区| 日韩熟女老妇一区二区性免费视频| 亚洲av欧美aⅴ国产| 看非洲黑人一级黄片| 夫妻午夜视频| 精品久久久精品久久久| 免费看av在线观看网站| 午夜免费观看性视频| 免费av不卡在线播放| 欧美日韩在线观看h| 国产精品人妻久久久影院| 国产成人a∨麻豆精品| 人妻系列 视频| 一级爰片在线观看| 欧美激情极品国产一区二区三区 | 亚洲国产av影院在线观看| 制服人妻中文乱码| 美女cb高潮喷水在线观看| 亚洲国产成人一精品久久久| 国产精品人妻久久久久久| 欧美日韩一区二区视频在线观看视频在线| 一区二区av电影网| 91久久精品国产一区二区三区| 人妻人人澡人人爽人人| 好男人视频免费观看在线| 美女国产视频在线观看| 美女xxoo啪啪120秒动态图| 国产精品熟女久久久久浪| 久久久久久人妻| 99re6热这里在线精品视频| 国产成人精品无人区| 七月丁香在线播放| 91久久精品国产一区二区成人| 欧美人与性动交α欧美精品济南到 | 色哟哟·www| videossex国产| 亚洲av不卡在线观看| 国产成人一区二区在线| a级毛片在线看网站| 大码成人一级视频| 午夜老司机福利剧场| 在线亚洲精品国产二区图片欧美 | 在线观看美女被高潮喷水网站| 欧美精品亚洲一区二区| 少妇精品久久久久久久| 久久女婷五月综合色啪小说| 精品久久久久久久久亚洲| 在线观看国产h片| 国产成人aa在线观看| 美女中出高潮动态图| 色网站视频免费| 免费播放大片免费观看视频在线观看| 人人妻人人添人人爽欧美一区卜| 99热6这里只有精品| 少妇的逼水好多| 欧美三级亚洲精品| 九九久久精品国产亚洲av麻豆| av国产精品久久久久影院| 国产亚洲一区二区精品| 91精品一卡2卡3卡4卡| a级毛片在线看网站| 午夜久久久在线观看| av女优亚洲男人天堂| 乱码一卡2卡4卡精品| 国产成人精品福利久久| 欧美日韩视频精品一区| 久久久久久久精品精品| 啦啦啦啦在线视频资源| 亚洲无线观看免费| 久久99蜜桃精品久久| 狂野欧美激情性xxxx在线观看| 成年人午夜在线观看视频| 国产成人精品一,二区| 亚洲欧美精品自产自拍| 亚州av有码| 国内精品宾馆在线| 丝袜喷水一区| 你懂的网址亚洲精品在线观看| 精品一区二区免费观看| 亚洲精品国产av蜜桃| 日韩精品免费视频一区二区三区 | av在线app专区| 成人亚洲精品一区在线观看| 精品国产乱码久久久久久小说| 一区二区三区四区激情视频| 少妇 在线观看| 夜夜爽夜夜爽视频| 亚洲欧美精品自产自拍| 国产男人的电影天堂91| 99久国产av精品国产电影| 久久久久久久亚洲中文字幕| 熟女电影av网| 日韩三级伦理在线观看| 一本久久精品| av在线app专区| 夜夜看夜夜爽夜夜摸| 国产精品人妻久久久影院| 国产亚洲精品久久久com| 久久久久久久久久久丰满| 国产精品一区二区三区四区免费观看| 国产精品一国产av| 亚洲情色 制服丝袜| 国产视频内射| 人人妻人人爽人人添夜夜欢视频| 亚洲av欧美aⅴ国产| 国产视频首页在线观看| 国产片特级美女逼逼视频| 亚洲av成人精品一区久久| 午夜福利在线观看免费完整高清在| 亚洲精品色激情综合| 99久国产av精品国产电影| 一级毛片aaaaaa免费看小| 久久99一区二区三区| 国产精品国产三级国产av玫瑰| 国产亚洲精品久久久com| 日本欧美视频一区| 午夜福利网站1000一区二区三区| xxx大片免费视频| 女性被躁到高潮视频| 国产成人精品一,二区| 两个人的视频大全免费| 国产国拍精品亚洲av在线观看| 欧美精品亚洲一区二区| 在线播放无遮挡| 欧美日韩成人在线一区二区| 日韩成人av中文字幕在线观看| 久久久久久久大尺度免费视频| 亚洲国产日韩一区二区| 人人妻人人澡人人看| 国产免费一区二区三区四区乱码| 久久精品国产a三级三级三级| 99精国产麻豆久久婷婷| av又黄又爽大尺度在线免费看| 国产片特级美女逼逼视频| 欧美97在线视频| 伊人亚洲综合成人网| 国产国拍精品亚洲av在线观看| av女优亚洲男人天堂| 国产又色又爽无遮挡免| 中文欧美无线码| 久久精品久久精品一区二区三区| 中文字幕制服av| 亚洲成人av在线免费| 一级毛片 在线播放| 中文乱码字字幕精品一区二区三区| 精品人妻在线不人妻| 亚洲一区二区三区欧美精品| 视频中文字幕在线观看| 91精品国产九色| 久久女婷五月综合色啪小说| 自拍欧美九色日韩亚洲蝌蚪91| 精品卡一卡二卡四卡免费| 亚洲av在线观看美女高潮| 大陆偷拍与自拍| 又粗又硬又长又爽又黄的视频| 午夜激情av网站| 日日摸夜夜添夜夜添av毛片| 日本午夜av视频| 男男h啪啪无遮挡| 精品人妻一区二区三区麻豆| 国产成人精品久久久久久| 一级毛片电影观看| 婷婷成人精品国产| 女人久久www免费人成看片| 亚洲伊人久久精品综合| 美女cb高潮喷水在线观看| 99久久精品一区二区三区| 亚洲精品自拍成人| 国产成人av激情在线播放 | 日韩熟女老妇一区二区性免费视频| www.色视频.com| 日本欧美国产在线视频| 赤兔流量卡办理| 欧美日韩视频精品一区| 久久午夜福利片| 日韩视频在线欧美| 国产精品国产三级专区第一集| 黑人欧美特级aaaaaa片| 亚洲人成网站在线播| 免费观看在线日韩| 欧美国产精品一级二级三级| 超碰97精品在线观看| 日韩熟女老妇一区二区性免费视频| 免费不卡的大黄色大毛片视频在线观看| 中文乱码字字幕精品一区二区三区| 91精品一卡2卡3卡4卡| 婷婷色综合大香蕉| 一本大道久久a久久精品| 亚洲精品久久成人aⅴ小说 | 啦啦啦视频在线资源免费观看| 丝袜喷水一区| 在线观看免费日韩欧美大片 | 九草在线视频观看| 七月丁香在线播放| 国产黄色视频一区二区在线观看| 麻豆成人av视频| 久久久久久伊人网av| 亚洲欧美一区二区三区国产| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 国产精品嫩草影院av在线观看| 欧美变态另类bdsm刘玥| 一区在线观看完整版| 久久国内精品自在自线图片| 免费人成在线观看视频色| 一区二区三区精品91| 亚洲精品av麻豆狂野| 一级爰片在线观看| 亚洲精品,欧美精品| 18禁在线无遮挡免费观看视频| h视频一区二区三区| 日本色播在线视频| 能在线免费看毛片的网站| 免费人成在线观看视频色| 亚洲精品日韩av片在线观看| 婷婷色综合www| 久久亚洲国产成人精品v| 最新中文字幕久久久久| 久久国内精品自在自线图片| 久久亚洲国产成人精品v| 极品人妻少妇av视频| 久久久久国产精品人妻一区二区| 不卡视频在线观看欧美| 亚洲国产欧美在线一区| 国产精品国产三级国产专区5o| 波野结衣二区三区在线| 大片电影免费在线观看免费| 欧美亚洲日本最大视频资源| 欧美日韩一区二区视频在线观看视频在线| 久久久久人妻精品一区果冻| 国产乱人偷精品视频| 婷婷色麻豆天堂久久| 久久韩国三级中文字幕| 精品人妻在线不人妻| 日韩不卡一区二区三区视频在线| 欧美日韩av久久| videosex国产| 有码 亚洲区| 三上悠亚av全集在线观看| 91久久精品电影网| 91在线精品国自产拍蜜月| 亚洲第一av免费看| 三级国产精品欧美在线观看| 啦啦啦在线观看免费高清www| 久久99热6这里只有精品| 国产熟女欧美一区二区| 欧美国产精品一级二级三级| 99久久人妻综合| 18在线观看网站| 毛片一级片免费看久久久久| 亚洲人成网站在线观看播放| www.色视频.com| 啦啦啦啦在线视频资源| 国产熟女欧美一区二区| 黑人欧美特级aaaaaa片| 久久久久久久亚洲中文字幕| 午夜av观看不卡| 99久国产av精品国产电影| 久久鲁丝午夜福利片| 日本猛色少妇xxxxx猛交久久| 免费黄网站久久成人精品| 亚洲av中文av极速乱| 99九九在线精品视频| 欧美老熟妇乱子伦牲交| 亚洲av男天堂| 亚洲精品中文字幕在线视频| 欧美xxⅹ黑人| 久久青草综合色| 日韩欧美一区视频在线观看| 又大又黄又爽视频免费| 丝袜脚勾引网站| 国产男女超爽视频在线观看| 狂野欧美激情性xxxx在线观看| 精品亚洲成a人片在线观看| 欧美亚洲 丝袜 人妻 在线| 欧美 亚洲 国产 日韩一| 伊人久久精品亚洲午夜| 黑人猛操日本美女一级片| 91成人精品电影| 2022亚洲国产成人精品| 插阴视频在线观看视频| 亚洲国产日韩一区二区| 久久久精品94久久精品| 亚洲图色成人| 午夜av观看不卡| 最近的中文字幕免费完整| 国产精品久久久久久久电影| 一区二区三区四区激情视频| 另类亚洲欧美激情| 七月丁香在线播放| 午夜精品国产一区二区电影| 婷婷色麻豆天堂久久| 亚洲av免费高清在线观看| 大香蕉久久网| 亚洲av电影在线观看一区二区三区| 黄色欧美视频在线观看| 少妇人妻 视频| av网站免费在线观看视频| 黄色毛片三级朝国网站| 欧美老熟妇乱子伦牲交| 亚洲综合色网址| 熟妇人妻不卡中文字幕| 91国产中文字幕| 黄色视频在线播放观看不卡| 插逼视频在线观看| 高清不卡的av网站| 国产精品国产av在线观看| 成人国产av品久久久| 欧美xxxx性猛交bbbb| 你懂的网址亚洲精品在线观看| 日日爽夜夜爽网站| 欧美激情 高清一区二区三区| 又粗又硬又长又爽又黄的视频| 日日啪夜夜爽| 国产熟女午夜一区二区三区 | 蜜臀久久99精品久久宅男| 女性被躁到高潮视频| 欧美日韩一区二区视频在线观看视频在线| 高清在线视频一区二区三区| 美女大奶头黄色视频| 亚洲综合精品二区| 女性生殖器流出的白浆| 丰满迷人的少妇在线观看| 欧美97在线视频| 我的女老师完整版在线观看| 国产爽快片一区二区三区| 欧美日韩成人在线一区二区| a 毛片基地| 亚洲欧美精品自产自拍| 午夜老司机福利剧场| 国产欧美亚洲国产| 在线观看美女被高潮喷水网站| 亚洲人成网站在线观看播放| 自拍欧美九色日韩亚洲蝌蚪91| 丁香六月天网| 美女国产视频在线观看| 亚洲人成网站在线播| 黄片无遮挡物在线观看| 精品视频人人做人人爽| 亚州av有码| 丝袜喷水一区| 美女国产视频在线观看| 蜜桃久久精品国产亚洲av| 国产熟女午夜一区二区三区 | 国产黄频视频在线观看| 久久精品夜色国产| 成人毛片60女人毛片免费| 性色avwww在线观看| 国产高清不卡午夜福利| 黑人欧美特级aaaaaa片| 亚洲精华国产精华液的使用体验| 国产男女内射视频| 一个人免费看片子| 99热网站在线观看| 狠狠精品人妻久久久久久综合| 日本与韩国留学比较| 亚洲人与动物交配视频| 欧美精品一区二区大全| 2021少妇久久久久久久久久久| 国产av码专区亚洲av| av国产久精品久网站免费入址| 成年人免费黄色播放视频| 色视频在线一区二区三区| 久久毛片免费看一区二区三区| 男女边吃奶边做爰视频| 一级毛片aaaaaa免费看小| 久久人人爽人人爽人人片va| 午夜影院在线不卡| 日韩三级伦理在线观看| 丝袜喷水一区| 一本色道久久久久久精品综合| 99久久人妻综合| 亚洲国产av新网站| 亚洲av在线观看美女高潮| 国产国语露脸激情在线看| 国产精品久久久久久久久免| 在线观看免费日韩欧美大片 | 欧美精品一区二区免费开放| 午夜激情福利司机影院| 亚洲精品日韩在线中文字幕| 51国产日韩欧美| 欧美精品一区二区大全| 下体分泌物呈黄色| 亚洲欧美精品自产自拍| 亚洲av免费高清在线观看| 精品熟女少妇av免费看| 我要看黄色一级片免费的| 久久人妻熟女aⅴ| 亚洲综合精品二区| 狠狠婷婷综合久久久久久88av| 成人无遮挡网站| 夫妻性生交免费视频一级片| 王馨瑶露胸无遮挡在线观看| 国产免费现黄频在线看| 久久 成人 亚洲| 成人免费观看视频高清| 精品卡一卡二卡四卡免费| 亚洲av二区三区四区| 久久国产亚洲av麻豆专区| 人妻制服诱惑在线中文字幕| 校园人妻丝袜中文字幕| 亚洲国产日韩一区二区| 日日爽夜夜爽网站| 久久久国产精品麻豆| 亚洲婷婷狠狠爱综合网| 国产精品一区二区在线观看99| 久久 成人 亚洲| 欧美最新免费一区二区三区| 亚洲成人手机| 人体艺术视频欧美日本| 精品国产国语对白av| 免费av不卡在线播放| 人妻人人澡人人爽人人| 天堂中文最新版在线下载| 中文乱码字字幕精品一区二区三区| 交换朋友夫妻互换小说| 少妇 在线观看| av在线观看视频网站免费| 国产无遮挡羞羞视频在线观看| 成人手机av| 特大巨黑吊av在线直播| 人人妻人人澡人人看| 亚洲少妇的诱惑av| 亚洲av.av天堂| 亚洲欧美色中文字幕在线| 一级片'在线观看视频| 秋霞伦理黄片| 日韩强制内射视频| 欧美人与善性xxx| 一二三四中文在线观看免费高清| .国产精品久久| 免费观看的影片在线观看| 91久久精品电影网| 秋霞在线观看毛片| 制服诱惑二区| 亚洲不卡免费看| 黑人高潮一二区| 两个人免费观看高清视频| 成人影院久久| 欧美激情国产日韩精品一区| 黄色毛片三级朝国网站| 精品国产露脸久久av麻豆| 亚洲精品日本国产第一区| 亚洲精品乱码久久久久久按摩| 久久精品久久久久久久性| 26uuu在线亚洲综合色| 久久精品国产亚洲av天美| 一本色道久久久久久精品综合| 精品视频人人做人人爽| 中国国产av一级| 黄色配什么色好看| 国产精品久久久久久av不卡| 免费观看在线日韩| 最近2019中文字幕mv第一页| 国产精品成人在线| 欧美成人精品欧美一级黄| 视频区图区小说| av在线app专区| 九色成人免费人妻av| kizo精华| 少妇猛男粗大的猛烈进出视频| 一级毛片黄色毛片免费观看视频| 人妻少妇偷人精品九色| 欧美日韩在线观看h| 国产在线一区二区三区精| 中文精品一卡2卡3卡4更新| av视频免费观看在线观看| 在线观看美女被高潮喷水网站| 色94色欧美一区二区| 精品亚洲乱码少妇综合久久| 亚洲av.av天堂| 一级毛片aaaaaa免费看小| 99九九线精品视频在线观看视频| 黄色一级大片看看| 最后的刺客免费高清国语| 男女免费视频国产| 国产精品国产三级国产专区5o| 精品国产乱码久久久久久小说| 午夜福利视频在线观看免费| 日本猛色少妇xxxxx猛交久久| 亚洲性久久影院| 18禁在线无遮挡免费观看视频| 人妻夜夜爽99麻豆av| 少妇熟女欧美另类| 日韩中字成人| 国产精品麻豆人妻色哟哟久久| 日韩强制内射视频| 日韩熟女老妇一区二区性免费视频| av不卡在线播放|