• <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 ?

    基于深度學(xué)習(xí)的短時交通流預(yù)測模型

    2020-10-24 01:39:46盧生巧黃中祥
    交通科學(xué)與工程 2020年3期
    關(guān)鍵詞:交通流量交通流監(jiān)測點

    盧生巧,黃中祥

    (長沙理工大學(xué) 交通運輸工程學(xué)院,湖南 長沙 410004)

    交通流預(yù)測是城市智能交通系統(tǒng)(Intelligent Transport System,簡稱為ITS)的重要組成部分。精確的短時交通流預(yù)測,可為道路使用者提供實時的、有價值的參考信息,幫助其選擇更優(yōu)的出行路徑,也可預(yù)測道路擁堵的地點和時間。運輸從業(yè)者可以提前選擇優(yōu)化路徑,減少道路擁堵[1]。短時交通流預(yù)測有助于ITS 的道路交通控制和交通誘導(dǎo),提高道路安全性[2?3]。

    目前,短時交通流預(yù)測方法有基于模型算法和數(shù)據(jù)驅(qū)動的方法。其中,基于模型算法包括:卡爾曼濾波器[4]、梯度增強(qiáng)樹回歸、時間序列的自回歸統(tǒng)計及貝葉斯網(wǎng)絡(luò)等經(jīng)典的淺層學(xué)習(xí)算法。Hamed[5]等人利用Box-Jenkins 技術(shù),建立ARIMA模型,實現(xiàn)了交通量的短期預(yù)測。張濤[6]等人應(yīng)用基于K 近鄰的非參數(shù)回歸預(yù)測模型,利用K 值構(gòu)造的預(yù)測區(qū)間,進(jìn)行特殊路況的預(yù)測,獲得了較高的預(yù)測精度。Hu[7]等人利用粒子群算法,優(yōu)化支持向量機(jī)(Support Vector Machine,簡稱為SVR)參數(shù),進(jìn)行預(yù)測。

    這些淺層結(jié)構(gòu)的預(yù)測模型,處理小樣本數(shù)據(jù)時,簡單高效。處理大樣本數(shù)據(jù)和復(fù)雜非線性函數(shù)時,存在局限性。深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的組合不斷應(yīng)用于交通流短期預(yù)測的深層結(jié)構(gòu)模型中,推動了基于數(shù)據(jù)驅(qū)動方法的神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)[8?9]等迅速發(fā)展,提供了更準(zhǔn)確的交通流預(yù)測工具。其中,循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,簡稱為RNN)為變體的長短時記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory,簡稱為LSTM),可提取數(shù)據(jù)的長期依賴特征[10]。Polson[11]等人使用 Math Container 方法,結(jié)合tanh 層的深度學(xué)習(xí)模型,成功預(yù)測特殊條件下急劇變化的交通量。Yu[12]等人利用深度卷積神經(jīng)網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)相結(jié)合的深度結(jié)構(gòu),捕獲交通網(wǎng)絡(luò)路徑的時空相關(guān)性,驗證了卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Network,簡稱為CNN)和LSTM 結(jié)合的可行性。劉明宇[13]等利用門控循環(huán)單元神經(jīng)網(wǎng)絡(luò) (Gated Recurrent Unit,簡稱為GRU)進(jìn)行短時交通流預(yù)測,取得較高的預(yù)測精度。作者基于時空關(guān)聯(lián)矩陣,擬利用深度神經(jīng)網(wǎng)絡(luò)挖掘短時交通流數(shù)據(jù)的時空特征。采用Python 軟件,將CNN 和GRU 兩者結(jié)合起來,構(gòu)建一種混合神經(jīng)網(wǎng)絡(luò)預(yù)測模型,并以加州交通局績效評估系統(tǒng)PeMS(Performance Measurement System,簡稱為PeMS)的實例數(shù)據(jù)為依托,對該模型進(jìn)行訓(xùn)練和預(yù)測。

    1 基于CNN-GRU 的短時交通流預(yù)測模型

    交通流在空間域和時間域上具有明顯的特征。在空間域中,某些位置上的交通流,可能與附近地區(qū)有更強(qiáng)的依賴性(拓?fù)渚植啃?。在時間域中,部分歷史交通流,會對未來的交通流產(chǎn)生長期影響。

    1.1 CNN 模型結(jié)構(gòu)

    根據(jù)經(jīng)驗和實驗數(shù)據(jù),模型選擇CNN 層作為數(shù)據(jù)輸入層,預(yù)測效果更好。因此,選擇使用一維CNN 結(jié)構(gòu),挖掘交通流數(shù)據(jù)中的空間特征。CNN是一種深度神經(jīng)網(wǎng)絡(luò),能夠捕獲交通流數(shù)據(jù)的空間特征。CNN 層通過卷積和池化的操作,進(jìn)行局部趨勢學(xué)習(xí),有效保留交通流的空間特征。神經(jīng)網(wǎng)絡(luò)模型層數(shù)越多,網(wǎng)絡(luò)表現(xiàn)能力則越強(qiáng)。當(dāng)訓(xùn)練數(shù)據(jù)不足時,更容易發(fā)生過擬合。為平衡模型的計算成本,模型的一維CNN 層是深度為2 的完整卷積神經(jīng)網(wǎng)絡(luò)。在深度卷積神經(jīng)網(wǎng)絡(luò)中,線性整流層的激活單元用于非線性激活。線性整流函數(shù)(Rectified Linear Unit,簡稱為ReLu),是一種常用的激活函數(shù)。不僅可以解決“梯度消失”的問題,而且可使深層神經(jīng)網(wǎng)絡(luò)快速收斂[14]。交通流數(shù)據(jù)具有非線性特征,所以選擇ReLu 作為整流層激活函數(shù),提高網(wǎng)絡(luò)非線性特征的學(xué)習(xí)能力。

    1.2 GRU 模型結(jié)構(gòu)

    由于交通流的動態(tài)性,交通流的時間特征不斷變化,使得短時交通流表現(xiàn)出更強(qiáng)的相關(guān)性[15]。由于交通流還存在長期依賴性特征,如:上游交通流在擁堵狀態(tài)下,需要很長時間,才能到達(dá)下游。因此,交通流的時間特征建模時,需要考慮這種長期依賴性。因為LSTM 可用于模擬交通流的時間特征[16],通過輸入門、遺忘門及輸出門3 個門控機(jī)制,去除或者增加信息,到LSTM 單元中,解決了RNN存在的長期依賴,所以可選擇更簡單的RNN-GRU模型。與LSTM 相比,GRU 的神經(jīng)元更少,而且能實現(xiàn)與LSTM 相同或者更好的性能[17]。

    GRU 只有更新門和重置門2 個門控機(jī)制。更新門的作用是決定當(dāng)前輸入信息(Xt)有多少是需要保留的;重置門的作用是將Xt和前面?zhèn)鬟f的信息(ht?1)相結(jié)合。這2 個門控機(jī)制使得GRU 具有交通流的長期依賴特征。

    GRU 的計算步驟:

    1) 在時間步t,Xt和ht?1,經(jīng)過線性變換,進(jìn)入更新門的Sigmoid 層,輸出激活值Zt。重置門與輸出門的表達(dá)式一樣,但權(quán)重矩陣不同,同樣輸出一個激活值rt、zt和rt的值域均為[0,1]。其中,0 代表完全遺忘信息,1 代表完全保留信息。

    式中:W和U為權(quán)重矩陣;Xt為t時刻的輸入向量;ht?1為時間步t?1 保存的信息。

    2) 由tanh 函數(shù)計算當(dāng)前記憶信息。時間步t的最終記憶信息ht,由、ht?1和更新門激活值zt加權(quán)得出。

    圖1 GRU 結(jié)構(gòu)展開Fig. 1 GRU expanded structure view

    式中:?代表Hadamard 乘積。

    1.3 CNN-GRU 模型結(jié)構(gòu)

    CNN-GRU 模型利用卷積結(jié)構(gòu),提取交通流數(shù)據(jù)中的空間特征,門控循環(huán)單元捕獲交通流數(shù)據(jù)的時間特征。在訓(xùn)練階段時,神經(jīng)網(wǎng)絡(luò)從歷史數(shù)據(jù)中學(xué)習(xí)交通流的時空特征,對交通流的狀態(tài)和特征進(jìn)行識別和記憶,得到各個網(wǎng)絡(luò)層的權(quán)重值和偏置量。在預(yù)測階段,將處理好的數(shù)據(jù),輸入已訓(xùn)練好的模型,得到交通流的預(yù)測值。

    在考慮計算量和模型深度基礎(chǔ)上,選擇卷積神經(jīng)網(wǎng)絡(luò)層數(shù)為2 層,2 層之間包含一個池化層。模型使用ReLu 函數(shù),激活2 個一維卷積層(Conv1D),提取交通流數(shù)據(jù)的空間特征。ReLu 函數(shù)能保證交通流數(shù)據(jù)的非負(fù)性,并且易于收斂。CNN 每層卷積核數(shù)目為150,卷積核時域窗長度為1×10。交通流數(shù)據(jù)經(jīng)過卷積層后,使用2 層GRU 來提取時間特征,其神經(jīng)元個數(shù)分別為64 和32,平衡計算成本和預(yù)測精度。Dropout 層設(shè)定隨機(jī)斷開50%的神經(jīng)元,可有效緩解模型過擬合現(xiàn)象[18]。最終的CNN-GRU 模型結(jié)構(gòu)如圖2 所示。

    圖2 CNN-GRU 模型結(jié)構(gòu)示意Fig. 2 An illustration of structure in CNN-GRU

    2 CNN- GRU 模型訓(xùn)練

    2.1 數(shù)據(jù)說明及預(yù)處理

    采用的交通流數(shù)據(jù)來自2018 年9 月-10 月,圣地亞哥區(qū)域內(nèi)標(biāo)號為I5-N 高速公路,將其中連續(xù)16 個探測器記錄的單向車流量數(shù)據(jù),作為樣本數(shù)據(jù),監(jiān)測點距離見表1,空間位置如圖2 所示。數(shù)據(jù)采集間隔為30 s,交通量匯總為5 min。由于采集數(shù)據(jù)在工作日和周末均表現(xiàn)出較強(qiáng)且不同的周期性模式。因此,本研究只對工作日的交通流量進(jìn)行預(yù)測。選擇9 月1 日-10 月9 日期間的工作日所對應(yīng)的數(shù)據(jù)作為模型訓(xùn)練集,合計9 791 個。10 月22 日-31 日期間的工作日所對應(yīng)的數(shù)據(jù),作為模型測試集,合計2 303 個。

    表1 監(jiān)測點間距Table 1 Distance between monitoring points

    受外界因素干擾,原始的交通流數(shù)據(jù),會出現(xiàn)缺失、異常等狀況。本研究利用交通流理論的篩選法,剔除原始數(shù)據(jù)的異常值。根據(jù)交通流在時間上的形似性,對于某一時段缺失的數(shù)據(jù),采用前1 d或后1 d 的歷史數(shù)據(jù)替代,將交通流數(shù)據(jù)歸一化到[0,1]區(qū)間,訓(xùn)練所有模型。

    2.2 基于時空特征的輸入向量

    交通流預(yù)測實質(zhì)是一個時間序列的預(yù)測,可以依據(jù)過去時段的交通流信息,預(yù)測未來時段的交通流狀況。交通流遵循一定的規(guī)律,呈連續(xù)流狀態(tài),連續(xù)流道路的相關(guān)斷面相互影響,使得斷面觀測到的交通流,具有時間和空間特征,需要將交通流量的數(shù)據(jù),處理成帶有時間和空間特征的輸入矩陣A。假定交通流數(shù)據(jù)的采樣間隔為Δt,選擇的監(jiān)測點總數(shù)為p,采集數(shù)據(jù)的總量為n,則所有監(jiān)測點組成的一組交通流量數(shù)據(jù)為:

    綜合考慮各個監(jiān)測點在時間與空間維度上的相關(guān)性,設(shè)預(yù)測模型的交通流量輸入為X,則有:

    任意監(jiān)測點下一時刻的交通流量,由該監(jiān)測點和各個監(jiān)測點的當(dāng)前時刻及前一個或多個時刻的交通流量數(shù)據(jù)來預(yù)測。訓(xùn)練時,利用枚舉試算的方法,確定模型預(yù)測的時間滯后,設(shè)置為6,以實現(xiàn)模型的最低錯誤率。即:使用所有監(jiān)測點前30 min的交通流量,作為定期輸入,預(yù)測下一時刻5 min的交通流量。

    2.3 模型訓(xùn)練

    利用交叉驗證法訓(xùn)練模型,選擇最佳的層數(shù)和超參數(shù)。訓(xùn)練過程中,利用損失函數(shù)之均方誤差(Mean Squared Error,簡稱為MSE)、Relu 激活函數(shù)及Adam 優(yōu)化器。Adam 是一種特殊的隨機(jī)梯度下降(Stochastic Gradient Descent,簡稱為SGD)方法,通過動態(tài)調(diào)整參數(shù),充分提取數(shù)據(jù)的空間特征,達(dá)到快速收斂,正確學(xué)習(xí)目標(biāo)。采用MSE 作為模型的目標(biāo)函數(shù),對比不同超參數(shù)的模型誤差,選擇最佳方案。其中,混合模型、CNN、LSTM 及GRU模型的Batchsize 參數(shù)為全數(shù)據(jù)集288,能充分學(xué)習(xí)數(shù)據(jù)的本質(zhì)特征,加快收斂速度,并且滿足預(yù)測精度要求。模型交通量的預(yù)測時間步長為3,6,9。3 項評價指標(biāo)都很小,步長為6 時,平均精度最高。自回歸移動平均模型(Autoregressive Integrated Moving Average Model,簡稱為ARIMA)超參數(shù)選擇(1,1,1)。

    在Python 語言開發(fā)環(huán)境下,所有神經(jīng)網(wǎng)絡(luò)都基于Keras 框架,進(jìn)行搭建和訓(xùn)練?;贙eras,可將訓(xùn)練模型保存到本地,在預(yù)測階段可直接調(diào)用進(jìn)行預(yù)測實驗。根據(jù)預(yù)測精度自適應(yīng)調(diào)整模型參數(shù),具備可移植性和靈活性。

    3 CNN- GRU 模型預(yù)測結(jié)果和分析

    3.1 單個監(jiān)測點模型預(yù)測效果

    基于訓(xùn)練好的混合模型和對照模型,隨機(jī)選取10 月31 日編號為4 的監(jiān)測點數(shù)據(jù)作為預(yù)測樣本,模型預(yù)測結(jié)果如圖3 所示。

    從圖3 可以看出,CNN-GRU 模型預(yù)測結(jié)果最好,能更好的預(yù)測出實際交通流的變化趨勢,預(yù)測值和實際值的誤差較小,平均誤差低至1 veh/5 min。其中,交通流在凌晨(0-50 時段)比較平穩(wěn)時,平均誤差為0。但在早晚高峰(50-220 時段)時,交通流變化劇烈,預(yù)測誤差會相應(yīng)出現(xiàn)波動,特別是交通流峰值處,最大誤差達(dá)到了5 veh/5 min。從圖4 中還可以看出,CNN 模型對于交通流的峰值預(yù)測效果偏低,GRU 和LSTM 模型對于交通流變化趨勢的預(yù)測效果較差?;旌夏P椭校肅NN 和GRU 的優(yōu)點,識別了短時交通流數(shù)據(jù)的空間局部特征,并且保留了挖掘時間特征的能力,該模型有效提高了預(yù)測精度。

    為了更好地分析預(yù)測結(jié)果,選取均方根誤差eRMSE、平均絕對誤差eMAE和平均絕對百分比誤差eMAPE作為評價指標(biāo)衡量模型的性能,其中,MAPE是比較不同預(yù)測模型準(zhǔn)確性的常見評價指標(biāo)之一。RMSE、MAE 和MAPE 三者定義如下:

    圖3 模型的預(yù)測結(jié)果和誤差對比Fig. 3 Prediction results and error comparison of models

    式中:yi為實際交通流量;為預(yù)測交通流量;n為樣本數(shù)量。

    4 號監(jiān)測點的預(yù)測結(jié)果評價見表2。CNN-GRU模型與其他模型相比,在3 個評價指標(biāo)中,均為最低值,預(yù)測精度最高。通過神經(jīng)網(wǎng)絡(luò)各模型的評價指標(biāo)對比,CNN-GRU、GRU 和LSTM 3 種神經(jīng)網(wǎng)絡(luò)模型評價指標(biāo),基本處于同一水準(zhǔn)。而ARIMA 模型的MAPE,高達(dá)11.13%,相比其他神經(jīng)網(wǎng)絡(luò)模型性能最差??梢娚窠?jīng)網(wǎng)絡(luò)的多隱含層結(jié)構(gòu),能有效提取交通流數(shù)據(jù)的特征。此外,混合模型的3 項指標(biāo)最低,MAPE 相比LSTM 模型減小了19.7%,預(yù)測精度大幅提升。

    表2 四種模型在4 號監(jiān)測點對比RMSE、MAE 和MAPE 評價指標(biāo)Table 2 The comparison of RMSE, MAE and MAPE of four models at No. 4 monitoring point

    3.2 全路段模型預(yù)測效果

    為了驗證CNN-GRU 預(yù)測模型的適用性,選取10 月31 日16 個監(jiān)測點的數(shù)據(jù),作為預(yù)測樣本,模型預(yù)測結(jié)果如圖4 所示。從圖4 可以看出,路段交通流隨時間變化的情況。圖4(b)預(yù)測交通量與圖4(a)實際交通量的變化趨勢一致,所提出的模型在整條實驗路段上適用性較好。

    圖4 CNN-GRU 模型全天的預(yù)測結(jié)果Fig. 4 Forecast results of all day in CNN-GRU model

    為了進(jìn)一步驗證CNN-GRU 模型的預(yù)測精度,本試驗構(gòu)建3 個對比模型:CNN、GRU 和LSTM模型。2018 年9 月-10 月16 個采樣點的預(yù)測評價結(jié)果,見表3。從表3 可以看出,CNN-GRU 模型與GRU、LSTM 及CNN 3 種神經(jīng)網(wǎng)絡(luò)模型的eMAPE相比,CNN-GRU 模型的精度指標(biāo)最高,均優(yōu)于其他預(yù)測模型。其中,相比GRU 模型,MAPE 減少了12%;相比LSTM 模型,MAPE 減少了13%;相比CNN 模型,MAPE 減少了23%。表明:本研究所提出的CNN-GRU 模型,預(yù)測精度最好。CNN 的預(yù)測精度比GRU 更好,也進(jìn)一步驗證了CNN 提取短時交通流空間特征的強(qiáng)大能力。如果與其它體系結(jié)構(gòu)相結(jié)合使用,其實用性更強(qiáng)。

    表3 全路段預(yù)測結(jié)果評價Table 3 Evaluation of all road segment prediction results

    4 結(jié)語

    基于深度神經(jīng)網(wǎng)絡(luò)理論,提出一種卷積神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)相結(jié)合的CNN-GRN 預(yù)測模型,對該模型進(jìn)行訓(xùn)練與預(yù)測,得到的結(jié)論為:

    1) 利用Python 語言,完成CNN-GRU 模型的逐層構(gòu)建和參數(shù)調(diào)優(yōu),實現(xiàn)基于CNN-GRU 模型的短時交通量的精確預(yù)測。

    2) 利用PeMS 的交通量數(shù)據(jù)訓(xùn)練模型,并進(jìn)行對比測試單個監(jiān)測點和全路段的預(yù)測結(jié)果表明:CNN-GRU 模型能夠?qū)煌鞯臓顟B(tài)和特征進(jìn)行識別和記憶,充分提取交通流數(shù)據(jù)的時間和空間特征,提高模型的預(yù)測精度。

    3) CNN-GRN 與CNN、GRN 及LSTM 3 種模型相比,3 項評價指標(biāo)均為最低,預(yù)測精度最高,具備較好的適用性。

    4) 實例數(shù)據(jù)證明,CNN-GRU 模型能更精確預(yù)測交通流的短時變化,可為交通管理與控制提供有效依據(jù)。

    本實驗僅僅是針對某個路段,未來應(yīng)該擴(kuò)展到城市路網(wǎng)中,如此更符合城市交通智能化需要。

    猜你喜歡
    交通流量交通流監(jiān)測點
    天津南港LNG接收站沉降監(jiān)測點位布設(shè)
    煤氣與熱力(2022年4期)2022-05-23 12:44:56
    撫河流域綜合治理監(jiān)測布局優(yōu)化
    全站儀極坐標(biāo)法監(jiān)測點穩(wěn)定性分析方法研究
    基于XGBOOST算法的擁堵路段短時交通流量預(yù)測
    基于GA-BP神經(jīng)網(wǎng)絡(luò)的衡大高速公路日交通流量預(yù)測
    交通流隨機(jī)行為的研究進(jìn)展
    我省舉辦家畜血吸蟲病監(jiān)測點培訓(xùn)班
    路內(nèi)停車對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
    基于復(fù)合卡和ETC的交通流量采集研究
    404 Not Found

    404 Not Found


    nginx
    亚洲av电影不卡..在线观看| 99久久九九国产精品国产免费| 国产精品.久久久| 久久久亚洲精品成人影院| 久久久成人免费电影| 欧美一区二区亚洲| 成人鲁丝片一二三区免费| 少妇的逼水好多| 麻豆久久精品国产亚洲av| 亚洲精品成人久久久久久| 日韩强制内射视频| 人妻系列 视频| 免费一级毛片在线播放高清视频| 欧美日韩一区二区视频在线观看视频在线 | av播播在线观看一区| 色哟哟·www| 一本一本综合久久| 国产精品电影一区二区三区| 亚洲欧美精品自产自拍| 亚洲国产欧美在线一区| 中文乱码字字幕精品一区二区三区 | 真实男女啪啪啪动态图| 三级国产精品欧美在线观看| 国产亚洲午夜精品一区二区久久 | 六月丁香七月| 精品久久久久久久久久久久久| 看十八女毛片水多多多| 亚洲av.av天堂| 六月丁香七月| 欧美成人午夜免费资源| 亚洲中文字幕日韩| 天堂√8在线中文| 日本欧美国产在线视频| 成人欧美大片| 亚洲精品日韩在线中文字幕| 免费大片18禁| 一卡2卡三卡四卡精品乱码亚洲| 欧美人与善性xxx| 日本五十路高清| or卡值多少钱| 一级黄片播放器| 看黄色毛片网站| 日韩人妻高清精品专区| 在线观看美女被高潮喷水网站| 国产亚洲一区二区精品| 色综合色国产| 丰满人妻一区二区三区视频av| av国产久精品久网站免费入址| 99热这里只有精品一区| 欧美不卡视频在线免费观看| 日日撸夜夜添| 在线免费十八禁| 美女被艹到高潮喷水动态| av在线蜜桃| 亚洲国产欧美在线一区| 久久精品国产亚洲网站| 国内精品一区二区在线观看| 亚洲欧美成人综合另类久久久 | 午夜免费激情av| 久久久国产成人免费| 欧美97在线视频| 午夜福利在线观看免费完整高清在| 久久久久久伊人网av| 成人无遮挡网站| 在线播放国产精品三级| 国产高潮美女av| 九色成人免费人妻av| 亚洲国产色片| 久久久久免费精品人妻一区二区| 男女下面进入的视频免费午夜| 色播亚洲综合网| 午夜精品国产一区二区电影 | 99久国产av精品| 内射极品少妇av片p| 免费看a级黄色片| 18禁在线播放成人免费| 内地一区二区视频在线| 大话2 男鬼变身卡| 中国国产av一级| 麻豆精品久久久久久蜜桃| 中文资源天堂在线| 日本色播在线视频| 男插女下体视频免费在线播放| 久久人妻av系列| 永久网站在线| 国产高清国产精品国产三级 | 日韩精品有码人妻一区| 午夜免费激情av| 国产色婷婷99| av播播在线观看一区| 最近中文字幕高清免费大全6| 国产69精品久久久久777片| 国产伦一二天堂av在线观看| 免费播放大片免费观看视频在线观看 | 中文字幕免费在线视频6| 黄色日韩在线| 久久久成人免费电影| 午夜福利视频1000在线观看| 欧美变态另类bdsm刘玥| 亚洲欧美精品专区久久| 欧美激情在线99| 内地一区二区视频在线| 永久免费av网站大全| 男女边吃奶边做爰视频| 亚洲欧美精品综合久久99| 99久久九九国产精品国产免费| www.色视频.com| 男人的好看免费观看在线视频| 亚洲三级黄色毛片| 波多野结衣高清无吗| 成人漫画全彩无遮挡| 91精品国产九色| 99久久九九国产精品国产免费| 久久久成人免费电影| 亚洲四区av| 国产激情偷乱视频一区二区| 哪个播放器可以免费观看大片| 男女视频在线观看网站免费| 成人综合一区亚洲| 日韩欧美精品v在线| 亚洲av一区综合| 最近2019中文字幕mv第一页| 国产精品伦人一区二区| 久久久久久国产a免费观看| 午夜亚洲福利在线播放| 午夜激情福利司机影院| 国产淫语在线视频| 国产一级毛片七仙女欲春2| 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 | 中文字幕免费在线视频6| 国产 一区 欧美 日韩| 18+在线观看网站| 亚洲中文字幕日韩| 精品人妻偷拍中文字幕| 最近最新中文字幕免费大全7| 久久6这里有精品| 国产精品国产三级国产专区5o | 麻豆久久精品国产亚洲av| 久久精品综合一区二区三区| 最近视频中文字幕2019在线8| 久久综合国产亚洲精品| 最近2019中文字幕mv第一页| 成人欧美大片| 国产精品国产三级专区第一集| 99九九线精品视频在线观看视频| 美女高潮的动态| av在线亚洲专区| 午夜福利网站1000一区二区三区| 一边亲一边摸免费视频| 亚洲精品影视一区二区三区av| 99久久成人亚洲精品观看| 夜夜看夜夜爽夜夜摸| 高清av免费在线| 亚洲四区av| 国产亚洲av片在线观看秒播厂 | 久久久久九九精品影院| 女人被狂操c到高潮| 啦啦啦观看免费观看视频高清| 成人毛片60女人毛片免费| 99久久精品热视频| 国产黄色小视频在线观看| 亚洲欧美精品综合久久99| 伊人久久精品亚洲午夜| 久久精品夜夜夜夜夜久久蜜豆| 欧美xxxx黑人xx丫x性爽| videos熟女内射| 亚洲国产高清在线一区二区三| 长腿黑丝高跟| 精品无人区乱码1区二区| 特级一级黄色大片| 久久久久精品久久久久真实原创| 日韩欧美精品免费久久| 韩国高清视频一区二区三区| 中国美白少妇内射xxxbb| 日产精品乱码卡一卡2卡三| 免费大片18禁| 免费在线观看成人毛片| 久久久久久久亚洲中文字幕| 国产女主播在线喷水免费视频网站 | 在线播放无遮挡| 黄片无遮挡物在线观看| 欧美zozozo另类| 亚洲精品一区蜜桃| 一个人看的www免费观看视频| 少妇人妻一区二区三区视频| 观看美女的网站| 亚洲不卡免费看| .国产精品久久| 日韩三级伦理在线观看| 国产人妻一区二区三区在| 亚洲av中文字字幕乱码综合| 国产精品1区2区在线观看.| 深夜a级毛片| 日韩成人av中文字幕在线观看| 欧美丝袜亚洲另类| 又爽又黄a免费视频| 精品熟女少妇av免费看| av又黄又爽大尺度在线免费看 | 99热6这里只有精品| 国产精品99久久久久久久久| 日韩精品有码人妻一区| 免费观看人在逋| 亚洲人与动物交配视频| 国产在视频线在精品| av福利片在线观看| 热99在线观看视频| 日韩成人av中文字幕在线观看| a级毛色黄片| 日韩一区二区视频免费看| 精华霜和精华液先用哪个| 毛片女人毛片| 国产毛片a区久久久久| 免费不卡的大黄色大毛片视频在线观看 | 蜜桃亚洲精品一区二区三区| 国内少妇人妻偷人精品xxx网站| 日日摸夜夜添夜夜爱| av专区在线播放| 久久亚洲精品不卡| 久久人人爽人人片av| 三级男女做爰猛烈吃奶摸视频| 国产精品日韩av在线免费观看| 特大巨黑吊av在线直播| 久久欧美精品欧美久久欧美| 午夜精品在线福利| av天堂中文字幕网| 成人午夜高清在线视频| 国产在线男女| 国产高清视频在线观看网站| 久久精品国产鲁丝片午夜精品| 久久欧美精品欧美久久欧美| 99在线视频只有这里精品首页| 日韩,欧美,国产一区二区三区 | 国产免费男女视频| 国国产精品蜜臀av免费| 最近最新中文字幕大全电影3| 免费看a级黄色片| 禁无遮挡网站| 欧美最新免费一区二区三区| 嫩草影院新地址| 欧美潮喷喷水| av又黄又爽大尺度在线免费看 | 久久99精品国语久久久| 国产老妇伦熟女老妇高清| 九草在线视频观看| 我要搜黄色片| 国产成人午夜福利电影在线观看| 亚洲熟妇中文字幕五十中出| 国产大屁股一区二区在线视频| 2021天堂中文幕一二区在线观| 亚洲无线观看免费| 国产av不卡久久| 欧美高清性xxxxhd video| 国产三级中文精品| 中文乱码字字幕精品一区二区三区 | 国产熟女欧美一区二区| 久久久久久久久大av| 国产成人a∨麻豆精品| 日本色播在线视频| 久久久精品欧美日韩精品| 51国产日韩欧美| 中文资源天堂在线| 国产午夜精品久久久久久一区二区三区| 日日干狠狠操夜夜爽| 成年免费大片在线观看| 两性午夜刺激爽爽歪歪视频在线观看| 国产私拍福利视频在线观看| av女优亚洲男人天堂| 又黄又爽又刺激的免费视频.| 色网站视频免费| 男人舔女人下体高潮全视频| av在线播放精品| 国产一级毛片在线| 午夜久久久久精精品| 一个人看视频在线观看www免费| 免费电影在线观看免费观看| 国产亚洲一区二区精品| 久久久欧美国产精品| 日本色播在线视频| 亚洲欧美清纯卡通| 午夜视频国产福利| 91av网一区二区| 18禁在线无遮挡免费观看视频| 国产日韩欧美在线精品| 国产精品国产三级专区第一集| 免费看美女性在线毛片视频| 亚洲人成网站在线播| 亚洲av日韩在线播放| 嫩草影院精品99| 亚洲久久久久久中文字幕| 全区人妻精品视频| 日本猛色少妇xxxxx猛交久久| 狂野欧美白嫩少妇大欣赏| 亚洲精华国产精华液的使用体验| 日本与韩国留学比较| 亚洲婷婷狠狠爱综合网| 联通29元200g的流量卡| 欧美又色又爽又黄视频| av视频在线观看入口| 国产成人a区在线观看| 日产精品乱码卡一卡2卡三| 色播亚洲综合网| 日韩视频在线欧美| 日产精品乱码卡一卡2卡三| 一个人观看的视频www高清免费观看| av在线老鸭窝| 国产极品天堂在线| 丝袜美腿在线中文| 亚洲av成人精品一区久久| 免费看a级黄色片| 精品久久久久久久末码| 大又大粗又爽又黄少妇毛片口| 免费看a级黄色片| 一区二区三区免费毛片| 亚洲人成网站在线观看播放| 成人毛片60女人毛片免费| 听说在线观看完整版免费高清| av黄色大香蕉| 91aial.com中文字幕在线观看| 美女cb高潮喷水在线观看| 91狼人影院| 亚洲精品乱久久久久久| 色视频www国产| 亚洲电影在线观看av| 我要搜黄色片| 国产日韩欧美在线精品| 波多野结衣高清无吗| 国产精品女同一区二区软件| 免费看日本二区| 精品国产一区二区三区久久久樱花 | 老师上课跳d突然被开到最大视频| 永久免费av网站大全| 日本av手机在线免费观看| 尤物成人国产欧美一区二区三区| 少妇被粗大猛烈的视频| 国产精品蜜桃在线观看| 免费观看a级毛片全部| 成年免费大片在线观看| 亚洲精品久久久久久婷婷小说 | 日本免费在线观看一区| 一边摸一边抽搐一进一小说| 九九在线视频观看精品| 一本久久精品| 成年女人看的毛片在线观看| 一本一本综合久久| 国产极品精品免费视频能看的| 久久久久九九精品影院| 亚洲中文字幕一区二区三区有码在线看| 最后的刺客免费高清国语| 三级男女做爰猛烈吃奶摸视频| 色播亚洲综合网| 国内精品一区二区在线观看| 免费观看性生交大片5| 久久精品国产亚洲av涩爱| 美女xxoo啪啪120秒动态图| 亚洲国产日韩欧美精品在线观看| 在线观看美女被高潮喷水网站| 国产伦理片在线播放av一区| 日韩成人av中文字幕在线观看| 亚洲性久久影院| 最近视频中文字幕2019在线8| 午夜视频国产福利| or卡值多少钱| 伦精品一区二区三区| 听说在线观看完整版免费高清| 亚洲成av人片在线播放无| 中文字幕熟女人妻在线| 欧美+日韩+精品| 校园人妻丝袜中文字幕| 女人久久www免费人成看片 | 日韩精品青青久久久久久| 成人性生交大片免费视频hd| 日韩人妻高清精品专区| 久久久久性生活片| 国产精品无大码| 免费看日本二区| 精华霜和精华液先用哪个| 91精品国产九色| 精品久久久久久久久亚洲| 99久国产av精品| 欧美bdsm另类| 国产乱人偷精品视频| 久久久久久伊人网av| 中文在线观看免费www的网站| 久久久久久久久大av| 亚洲天堂国产精品一区在线| 亚洲熟妇中文字幕五十中出| 午夜视频国产福利| 青青草视频在线视频观看| 日韩国内少妇激情av| 亚洲av熟女| 国产精品国产高清国产av| 狂野欧美激情性xxxx在线观看| 观看免费一级毛片| 亚洲av中文av极速乱| 亚洲av熟女| 午夜久久久久精精品| 免费播放大片免费观看视频在线观看 | 三级毛片av免费| 国产精品1区2区在线观看.| 国产精品一区二区三区四区久久| 成人av在线播放网站| 亚洲真实伦在线观看| 国产亚洲午夜精品一区二区久久 | 久久亚洲精品不卡| 精品一区二区三区视频在线| 欧美激情久久久久久爽电影| 综合色av麻豆| 老师上课跳d突然被开到最大视频| 日韩人妻高清精品专区| 午夜亚洲福利在线播放| 99热这里只有是精品50| av播播在线观看一区| 1024手机看黄色片| 国产女主播在线喷水免费视频网站 | 午夜激情欧美在线| 亚洲国产精品sss在线观看| 欧美极品一区二区三区四区| 高清日韩中文字幕在线| 一级毛片aaaaaa免费看小| 久久久久久久午夜电影| 亚洲无线观看免费| 久久韩国三级中文字幕| 中文亚洲av片在线观看爽| 精品欧美国产一区二区三| 一区二区三区高清视频在线| 麻豆乱淫一区二区| 五月伊人婷婷丁香| 老女人水多毛片| 高清av免费在线| 亚洲精华国产精华液的使用体验| 两个人视频免费观看高清| 国产精品1区2区在线观看.| 午夜福利视频1000在线观看| 日韩av在线免费看完整版不卡| 国产视频内射| 热99在线观看视频| 黄色欧美视频在线观看| 综合色av麻豆| 大香蕉久久网| 亚洲av免费高清在线观看| 91午夜精品亚洲一区二区三区| 午夜激情福利司机影院| 3wmmmm亚洲av在线观看| 真实男女啪啪啪动态图| 亚洲精品国产成人久久av| 欧美激情国产日韩精品一区| 一区二区三区免费毛片| 91久久精品电影网| 一级av片app| 菩萨蛮人人尽说江南好唐韦庄 | 热99re8久久精品国产| 午夜福利网站1000一区二区三区| 建设人人有责人人尽责人人享有的 | 久久99热这里只频精品6学生 | 久久99热这里只频精品6学生 | 成人午夜高清在线视频| 日本黄色视频三级网站网址| 三级毛片av免费| av国产免费在线观看| 中文字幕人妻熟人妻熟丝袜美| 亚洲18禁久久av| 麻豆一二三区av精品| 超碰av人人做人人爽久久| 国产白丝娇喘喷水9色精品| 男人的好看免费观看在线视频| 国内少妇人妻偷人精品xxx网站| 色视频www国产| 亚洲av成人精品一二三区| 欧美一级a爱片免费观看看| 亚洲最大成人av| 国产精品乱码一区二三区的特点| 久久久久九九精品影院| 日日啪夜夜撸| 高清毛片免费看| 久久精品影院6| 尾随美女入室| videossex国产| 欧美一区二区精品小视频在线| 欧美丝袜亚洲另类| 午夜a级毛片| 成人美女网站在线观看视频| 亚洲av电影在线观看一区二区三区 | 99热这里只有精品一区| 亚洲av成人av| 伊人久久精品亚洲午夜| 国产亚洲av嫩草精品影院| 日韩av不卡免费在线播放| 特大巨黑吊av在线直播| 国产精品人妻久久久影院| 亚洲成av人片在线播放无| 91精品伊人久久大香线蕉| 日本黄大片高清| 桃色一区二区三区在线观看| 久久久成人免费电影| 免费一级毛片在线播放高清视频| 搡老妇女老女人老熟妇| 午夜福利在线观看免费完整高清在| 韩国av在线不卡| 久久精品夜夜夜夜夜久久蜜豆| 日韩视频在线欧美| 久久99热这里只频精品6学生 | 亚洲精品影视一区二区三区av| 两个人的视频大全免费| 婷婷色av中文字幕| 国产欧美另类精品又又久久亚洲欧美| 91狼人影院| 国语对白做爰xxxⅹ性视频网站| 亚洲精品亚洲一区二区| 日本三级黄在线观看| 麻豆国产97在线/欧美| 不卡视频在线观看欧美| 2021少妇久久久久久久久久久| 亚洲精品,欧美精品| 99久久成人亚洲精品观看| 欧美性猛交黑人性爽| 国产精品.久久久| 国产真实乱freesex| 精品久久久久久久久亚洲| 国产免费又黄又爽又色| 免费观看性生交大片5| 亚洲欧美精品自产自拍| 嘟嘟电影网在线观看| 最近最新中文字幕免费大全7| 少妇的逼水好多| 国产免费视频播放在线视频 | 精品久久国产蜜桃| 白带黄色成豆腐渣| 国产真实乱freesex| 少妇被粗大猛烈的视频| 亚洲丝袜综合中文字幕| 99久久无色码亚洲精品果冻| 久久精品人妻少妇| 亚洲国产精品国产精品| 亚洲最大成人av| 精品不卡国产一区二区三区| 麻豆精品久久久久久蜜桃| 日日撸夜夜添| 欧美日韩国产亚洲二区| 国产精华一区二区三区| 国产午夜精品久久久久久一区二区三区| 久久久a久久爽久久v久久| 偷拍熟女少妇极品色| 欧美三级亚洲精品| 久热久热在线精品观看| 国产精品一区二区三区四区久久| 日韩,欧美,国产一区二区三区 | av国产免费在线观看| 国产探花在线观看一区二区| 一二三四中文在线观看免费高清| 国产爱豆传媒在线观看| 亚洲不卡免费看| 日韩强制内射视频| 亚洲成人av在线免费| 久久人人爽人人片av| 国产精品一及| 亚洲在久久综合| 99在线视频只有这里精品首页| 欧美bdsm另类| 中文字幕av在线有码专区| 亚洲五月天丁香| 亚洲真实伦在线观看| 国产高清三级在线| av在线播放精品| 国产乱人视频| 99久久成人亚洲精品观看| 99九九线精品视频在线观看视频| 日本-黄色视频高清免费观看| 99久国产av精品| 亚洲国产欧美人成| 欧美日韩综合久久久久久| 狂野欧美白嫩少妇大欣赏| 亚洲国产精品sss在线观看| 亚洲不卡免费看| 99热网站在线观看| 欧美另类亚洲清纯唯美| 国产伦精品一区二区三区视频9| 欧美成人午夜免费资源| 国产精品,欧美在线| 久久久a久久爽久久v久久| 亚洲自偷自拍三级| 日韩一区二区视频免费看| 激情 狠狠 欧美| 亚洲国产精品合色在线| 日韩欧美精品免费久久| 欧美精品一区二区大全| 色视频www国产| 国产精品av视频在线免费观看| 国产成人a区在线观看| 久久精品综合一区二区三区| 搞女人的毛片| 亚洲国产最新在线播放| 国产精品综合久久久久久久免费| 国产精品国产三级国产专区5o | 精品99又大又爽又粗少妇毛片| 最近最新中文字幕免费大全7| 看片在线看免费视频| 国产黄片视频在线免费观看| 99视频精品全部免费 在线| 欧美性猛交╳xxx乱大交人| 久久久久久久久久成人| 卡戴珊不雅视频在线播放| 插逼视频在线观看| 简卡轻食公司| 亚洲av男天堂| 亚洲欧美日韩东京热| 亚洲成人久久爱视频| 精品一区二区免费观看| 日韩国内少妇激情av| 最近2019中文字幕mv第一页| 国产精品国产三级国产av玫瑰| www.av在线官网国产| 99热6这里只有精品| 国产男人的电影天堂91| 免费av不卡在线播放| 一级av片app|