• <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
    欧美性猛交╳xxx乱大交人| 久久久久国产网址| av卡一久久| 国产乱人视频| 日韩欧美国产在线观看| a级毛片免费高清观看在线播放| 欧美不卡视频在线免费观看| 在线看三级毛片| 99热网站在线观看| 中文亚洲av片在线观看爽| 日本在线视频免费播放| 亚洲av第一区精品v没综合| 久久久午夜欧美精品| 久久久a久久爽久久v久久| 免费人成视频x8x8入口观看| 波多野结衣高清无吗| 成人美女网站在线观看视频| 欧美日韩乱码在线| 国产精品一区二区性色av| 中文字幕人妻熟人妻熟丝袜美| 91久久精品国产一区二区成人| 大型黄色视频在线免费观看| 亚洲三级黄色毛片| 高清毛片免费观看视频网站| 国产精品无大码| 看片在线看免费视频| 免费观看的影片在线观看| 精品乱码久久久久久99久播| 一级黄色大片毛片| 欧美3d第一页| 一区福利在线观看| 亚洲性久久影院| 久久久久九九精品影院| 精品久久国产蜜桃| 国产成年人精品一区二区| 久久久精品大字幕| 草草在线视频免费看| 特级一级黄色大片| 中文字幕精品亚洲无线码一区| 可以在线观看的亚洲视频| 性插视频无遮挡在线免费观看| 九色成人免费人妻av| 免费看美女性在线毛片视频| 我要看日韩黄色一级片| 美女内射精品一级片tv| 国产黄色小视频在线观看| 一进一出好大好爽视频| 中文字幕av成人在线电影| 国产精品一区二区三区四区免费观看 | 亚洲三级黄色毛片| 亚洲一区高清亚洲精品| 18禁裸乳无遮挡免费网站照片| 男女边吃奶边做爰视频| av国产免费在线观看| 97碰自拍视频| 黄色日韩在线| 看片在线看免费视频| 久久久a久久爽久久v久久| 久久精品国产99精品国产亚洲性色| 美女cb高潮喷水在线观看| 卡戴珊不雅视频在线播放| 女生性感内裤真人,穿戴方法视频| 男女做爰动态图高潮gif福利片| 日韩av不卡免费在线播放| 不卡一级毛片| 99久久九九国产精品国产免费| 黄色一级大片看看| www日本黄色视频网| 欧美日韩一区二区视频在线观看视频在线 | 国产日本99.免费观看| 男人的好看免费观看在线视频| 观看美女的网站| 国产欧美日韩精品亚洲av| 久久亚洲精品不卡| 91av网一区二区| 国产精品久久久久久亚洲av鲁大| 欧美三级亚洲精品| 你懂的网址亚洲精品在线观看 | 观看美女的网站| 亚洲性夜色夜夜综合| 国产亚洲91精品色在线| 亚洲美女视频黄频| 国产一区二区三区av在线 | 精华霜和精华液先用哪个| 亚洲乱码一区二区免费版| 男女啪啪激烈高潮av片| 亚洲一区二区三区色噜噜| av.在线天堂| 国内精品美女久久久久久| 国产精品一区二区性色av| 12—13女人毛片做爰片一| 日本五十路高清| 此物有八面人人有两片| 亚洲国产精品sss在线观看| 深夜a级毛片| 成人三级黄色视频| 神马国产精品三级电影在线观看| 欧美日韩一区二区视频在线观看视频在线 | 国产精品永久免费网站| 如何舔出高潮| 男人狂女人下面高潮的视频| 最近2019中文字幕mv第一页| 狂野欧美白嫩少妇大欣赏| 国产成人aa在线观看| 亚洲人与动物交配视频| 亚洲人与动物交配视频| 午夜爱爱视频在线播放| 成人性生交大片免费视频hd| 在线免费十八禁| 日韩亚洲欧美综合| 美女cb高潮喷水在线观看| 久久国内精品自在自线图片| 国产淫片久久久久久久久| 成人av在线播放网站| 别揉我奶头~嗯~啊~动态视频| 欧美色视频一区免费| 麻豆国产av国片精品| 禁无遮挡网站| 亚洲精品久久国产高清桃花| 97热精品久久久久久| 国产精品久久久久久av不卡| 午夜福利在线观看吧| 成人无遮挡网站| 97热精品久久久久久| 91久久精品国产一区二区成人| 性插视频无遮挡在线免费观看| 久久6这里有精品| 欧美激情在线99| 亚洲五月天丁香| 在现免费观看毛片| 熟女人妻精品中文字幕| 好男人在线观看高清免费视频| 久久久色成人| 国产黄色视频一区二区在线观看 | 亚洲中文字幕一区二区三区有码在线看| 亚洲专区国产一区二区| 婷婷精品国产亚洲av| 人人妻人人澡人人爽人人夜夜 | 亚洲人成网站在线播| 欧美成人精品欧美一级黄| 91精品国产九色| 欧美另类亚洲清纯唯美| 午夜福利成人在线免费观看| 免费看av在线观看网站| 成人二区视频| 99久国产av精品| 亚洲av不卡在线观看| 欧美中文日本在线观看视频| 少妇熟女欧美另类| 可以在线观看的亚洲视频| 久久国内精品自在自线图片| 午夜福利视频1000在线观看| 一区二区三区免费毛片| 卡戴珊不雅视频在线播放| 日韩欧美精品免费久久| 欧美xxxx黑人xx丫x性爽| 夜夜爽天天搞| 狠狠狠狠99中文字幕| 一夜夜www| 国产高清有码在线观看视频| 欧美一区二区亚洲| 听说在线观看完整版免费高清| 综合色丁香网| 色播亚洲综合网| 欧美在线一区亚洲| 在线观看午夜福利视频| 精品一区二区三区视频在线| 久久久国产成人免费| 午夜激情欧美在线| 亚洲一区高清亚洲精品| 晚上一个人看的免费电影| 中文字幕免费在线视频6| 国产精品久久久久久久久免| 中文字幕免费在线视频6| 欧美高清性xxxxhd video| 亚洲国产精品久久男人天堂| 中文字幕久久专区| 亚洲人成网站在线观看播放| 国产亚洲精品综合一区在线观看| 欧美日本视频| 特级一级黄色大片| 波野结衣二区三区在线| 亚洲第一区二区三区不卡| 国产av在哪里看| 长腿黑丝高跟| 嫩草影院新地址| 俺也久久电影网| 日本撒尿小便嘘嘘汇集6| 如何舔出高潮| 在线播放国产精品三级| 国产在视频线在精品| 久久久久精品国产欧美久久久| 精品人妻一区二区三区麻豆 | 极品教师在线视频| 久久精品国产亚洲av天美| 亚洲第一电影网av| 亚洲美女搞黄在线观看 | 午夜福利18| 国产精品av视频在线免费观看| 91麻豆精品激情在线观看国产| 国产高清视频在线观看网站| 嫩草影院精品99| 久久韩国三级中文字幕| 性色avwww在线观看| 欧美色视频一区免费| 久久精品国产亚洲网站| 男人狂女人下面高潮的视频| 亚洲国产精品国产精品| 淫妇啪啪啪对白视频| 久久久欧美国产精品| 特级一级黄色大片| av福利片在线观看| 久久久久久九九精品二区国产| 国产真实伦视频高清在线观看| 亚洲美女视频黄频| 国产亚洲91精品色在线| 我要搜黄色片| 午夜福利在线观看吧| 国产麻豆成人av免费视频| 国产精品久久久久久久久免| 国产aⅴ精品一区二区三区波| 看片在线看免费视频| 日韩,欧美,国产一区二区三区 | 亚洲国产精品成人综合色| 麻豆国产av国片精品| 97超级碰碰碰精品色视频在线观看| 精品99又大又爽又粗少妇毛片| 啦啦啦观看免费观看视频高清| 久久久久免费精品人妻一区二区| 久久久久国产精品人妻aⅴ院| av.在线天堂| 国产一区二区三区av在线 | 午夜a级毛片| 麻豆国产97在线/欧美| 亚洲七黄色美女视频| 国内精品宾馆在线| 成人鲁丝片一二三区免费| 一本精品99久久精品77| 欧美高清成人免费视频www| 在线观看66精品国产| 男人舔奶头视频| avwww免费| 国产精品三级大全| 欧美在线一区亚洲| 简卡轻食公司| 别揉我奶头 嗯啊视频| 午夜视频国产福利| 欧美不卡视频在线免费观看| 久久欧美精品欧美久久欧美| 国产成人91sexporn| 乱人视频在线观看| 国产成人影院久久av| 久久人人爽人人片av| 亚洲不卡免费看| 亚洲成av人片在线播放无| 欧美日韩综合久久久久久| 国产三级在线视频| 亚洲18禁久久av| 亚洲最大成人av| 日韩欧美精品免费久久| 女人被狂操c到高潮| 一级毛片aaaaaa免费看小| 亚洲经典国产精华液单| 亚洲av中文av极速乱| 91麻豆精品激情在线观看国产| 最近视频中文字幕2019在线8| 午夜老司机福利剧场| 国产成人aa在线观看| 99久久成人亚洲精品观看| 国产伦在线观看视频一区| 欧美区成人在线视频| 婷婷精品国产亚洲av在线| 国产精品,欧美在线| 亚洲最大成人av| 给我免费播放毛片高清在线观看| 久久久国产成人精品二区| 亚洲欧美日韩高清在线视频| 亚洲最大成人中文| 在线观看av片永久免费下载| 精品午夜福利在线看| 欧美在线一区亚洲| 国产视频内射| 99精品在免费线老司机午夜| 熟女电影av网| 久久精品久久久久久噜噜老黄 | 97超碰精品成人国产| 99久久久亚洲精品蜜臀av| 久久久久久久久大av| 亚洲av熟女| 桃色一区二区三区在线观看| 啦啦啦韩国在线观看视频| av天堂在线播放| 久久综合国产亚洲精品| 日韩 亚洲 欧美在线| 精品久久久噜噜| 一级黄色大片毛片| 国产一区二区在线观看日韩| 黄色视频,在线免费观看| 成人av在线播放网站| 老师上课跳d突然被开到最大视频| 国产成人freesex在线 | 精品久久久久久久久av| 午夜老司机福利剧场| 蜜桃久久精品国产亚洲av| 亚洲,欧美,日韩| 人人妻,人人澡人人爽秒播| 哪里可以看免费的av片| 一本一本综合久久| 观看免费一级毛片| 99久久九九国产精品国产免费| 国产av在哪里看| 久久久久久久午夜电影| 99在线视频只有这里精品首页| 国产综合懂色| .国产精品久久| 最新中文字幕久久久久| 天美传媒精品一区二区| 麻豆精品久久久久久蜜桃| 99精品在免费线老司机午夜| 亚洲国产高清在线一区二区三| 国产精品av视频在线免费观看| 校园人妻丝袜中文字幕| 51国产日韩欧美| 欧美潮喷喷水| 麻豆久久精品国产亚洲av| 免费电影在线观看免费观看| 夜夜爽天天搞| 校园春色视频在线观看| 日韩,欧美,国产一区二区三区 | 干丝袜人妻中文字幕| 亚洲国产日韩欧美精品在线观看| 亚洲激情五月婷婷啪啪| 成年女人永久免费观看视频| 别揉我奶头~嗯~啊~动态视频| 啦啦啦观看免费观看视频高清| 午夜福利在线观看免费完整高清在 | 熟妇人妻久久中文字幕3abv| 亚洲真实伦在线观看| 免费看美女性在线毛片视频| 久久99热6这里只有精品| 日日摸夜夜添夜夜添av毛片| 日产精品乱码卡一卡2卡三| or卡值多少钱| 非洲黑人性xxxx精品又粗又长| 看片在线看免费视频| 男女啪啪激烈高潮av片| 久久久精品94久久精品| 一级黄片播放器| 午夜免费男女啪啪视频观看 | 国产亚洲av嫩草精品影院| 日本一本二区三区精品| 午夜福利在线观看免费完整高清在 | 国产精品一区二区三区四区免费观看 | АⅤ资源中文在线天堂| 久久国内精品自在自线图片| 天堂影院成人在线观看| 国产老妇女一区| 国产精品一及| 一边摸一边抽搐一进一小说| 亚洲人成网站高清观看| 国产免费一级a男人的天堂| 国产一区亚洲一区在线观看| 午夜老司机福利剧场| 久久人妻av系列| 在线天堂最新版资源| 99久久中文字幕三级久久日本| 亚洲精品久久国产高清桃花| 国产在视频线在精品| 99视频精品全部免费 在线| 99久久中文字幕三级久久日本| 性色avwww在线观看| av在线老鸭窝| av在线蜜桃| 久久久久久大精品| 国产视频内射| 久久精品国产亚洲av涩爱 | 波多野结衣高清无吗| 欧美性猛交╳xxx乱大交人| 欧美丝袜亚洲另类| 精品国内亚洲2022精品成人| 国内少妇人妻偷人精品xxx网站| 听说在线观看完整版免费高清| 国产视频内射| 国产精品乱码一区二三区的特点| 村上凉子中文字幕在线| 91在线精品国自产拍蜜月| 别揉我奶头 嗯啊视频| 国产精品亚洲一级av第二区| 99热网站在线观看| 美女cb高潮喷水在线观看| 成人综合一区亚洲| 国产免费一级a男人的天堂| 亚洲精品粉嫩美女一区| 少妇人妻精品综合一区二区 | 亚洲国产精品成人久久小说 | 国产精品一区二区免费欧美| 日本-黄色视频高清免费观看| 国产高清视频在线观看网站| 亚洲国产精品成人久久小说 | 国产色婷婷99| 一区二区三区高清视频在线| 欧美一区二区国产精品久久精品| 免费在线观看成人毛片| 国产免费男女视频| 最新中文字幕久久久久| 久久久久国内视频| 亚洲在线自拍视频| 99久久久亚洲精品蜜臀av| 国产黄a三级三级三级人| 99热6这里只有精品| 亚洲第一区二区三区不卡| av在线播放精品| 国产亚洲精品综合一区在线观看| 久久久成人免费电影| 欧美xxxx黑人xx丫x性爽| 国产精品一区二区免费欧美| 国产高清视频在线播放一区| 亚洲最大成人av| 91精品国产九色| 欧美日韩一区二区视频在线观看视频在线 | 国产三级在线视频| 男女之事视频高清在线观看| 欧美高清性xxxxhd video| 高清午夜精品一区二区三区 | 91麻豆精品激情在线观看国产| 免费观看的影片在线观看| 国产精品野战在线观看| 久久人人精品亚洲av| 亚洲国产精品成人综合色| 观看免费一级毛片| 国产乱人视频| 日韩欧美免费精品| 亚洲人成网站在线播| 全区人妻精品视频| 国产精品日韩av在线免费观看| 干丝袜人妻中文字幕| 亚洲经典国产精华液单| 亚洲18禁久久av| 少妇熟女欧美另类| 国产探花极品一区二区| 婷婷色综合大香蕉| 97热精品久久久久久| 日韩一区二区视频免费看| ponron亚洲| 舔av片在线| 欧美高清性xxxxhd video| 不卡一级毛片| 午夜免费激情av| 成熟少妇高潮喷水视频| 国产精品久久久久久久电影| 麻豆国产97在线/欧美| 干丝袜人妻中文字幕| 国产黄片美女视频| 变态另类丝袜制服| 国产视频内射| 亚洲专区国产一区二区| 亚洲国产欧洲综合997久久,| 99热6这里只有精品| 婷婷亚洲欧美| 深夜精品福利| 免费看av在线观看网站| 黄色日韩在线| 亚洲国产欧美人成| 极品教师在线视频| 欧美日韩一区二区视频在线观看视频在线 | 国产伦精品一区二区三区视频9| 给我免费播放毛片高清在线观看| 午夜日韩欧美国产| eeuss影院久久| 欧美色视频一区免费| 国产伦在线观看视频一区| 国产伦精品一区二区三区视频9| 成人av在线播放网站| 一个人看视频在线观看www免费| 在线免费观看的www视频| 日韩亚洲欧美综合| 久久久久久久久久成人| 国产精品国产三级国产av玫瑰| 美女 人体艺术 gogo| 波野结衣二区三区在线| 亚洲内射少妇av| 如何舔出高潮| av在线蜜桃| 日日干狠狠操夜夜爽| 青春草视频在线免费观看| 少妇人妻一区二区三区视频| 国产亚洲av嫩草精品影院| 国产伦在线观看视频一区| 日日撸夜夜添| 国产日本99.免费观看| 插逼视频在线观看| 亚洲无线在线观看| 级片在线观看| 亚洲真实伦在线观看| 亚洲欧美清纯卡通| 91狼人影院| 精品久久久久久久久av| 国产精品久久电影中文字幕| 一区二区三区高清视频在线| 亚洲欧美日韩卡通动漫| 成人欧美大片| 婷婷六月久久综合丁香| 51国产日韩欧美| 亚洲精品一卡2卡三卡4卡5卡| 淫秽高清视频在线观看| 亚洲天堂国产精品一区在线| 欧美日韩在线观看h| 最近手机中文字幕大全| 欧美激情国产日韩精品一区| 亚洲av成人av| 一卡2卡三卡四卡精品乱码亚洲| 国产爱豆传媒在线观看| 成人午夜高清在线视频| 日韩一区二区视频免费看| 丰满的人妻完整版| 国产91av在线免费观看| 国产高清视频在线播放一区| 岛国在线免费视频观看| 成人欧美大片| 我的女老师完整版在线观看| 色视频www国产| 亚洲一区二区三区色噜噜| 夜夜爽天天搞| 日韩在线高清观看一区二区三区| 国产精品免费一区二区三区在线| 最新在线观看一区二区三区| 不卡一级毛片| 精品久久久久久久末码| 亚洲成av人片在线播放无| 亚洲国产欧洲综合997久久,| 精品久久久久久成人av| 最好的美女福利视频网| 久久久色成人| 精品福利观看| 综合色丁香网| 国产亚洲精品av在线| 免费看美女性在线毛片视频| 日日摸夜夜添夜夜添av毛片| 综合色av麻豆| 成人美女网站在线观看视频| 国产蜜桃级精品一区二区三区| 亚洲成a人片在线一区二区| 此物有八面人人有两片| 给我免费播放毛片高清在线观看| 日韩精品中文字幕看吧| 久久综合国产亚洲精品| 一级毛片aaaaaa免费看小| 久久中文看片网| 精品久久久久久成人av| 日韩欧美精品v在线| 亚洲国产欧美人成| 午夜久久久久精精品| 在线观看一区二区三区| 久久99热6这里只有精品| 午夜福利高清视频| 国产精华一区二区三区| .国产精品久久| 日本a在线网址| 国产伦在线观看视频一区| 亚洲精品粉嫩美女一区| 国产成人a区在线观看| 久久这里只有精品中国| 久久精品国产99精品国产亚洲性色| 亚洲激情五月婷婷啪啪| 在现免费观看毛片| 欧美日韩一区二区视频在线观看视频在线 | av在线播放精品| 一个人看视频在线观看www免费| 亚洲最大成人av| 小蜜桃在线观看免费完整版高清| 国产高清视频在线观看网站| 看片在线看免费视频| 激情 狠狠 欧美| 欧美激情久久久久久爽电影| 午夜福利在线观看吧| 全区人妻精品视频| 性色avwww在线观看| 午夜福利在线观看免费完整高清在 | 亚洲精品粉嫩美女一区| 久久久欧美国产精品| 最近视频中文字幕2019在线8| 久久亚洲国产成人精品v| 日韩欧美免费精品| 两性午夜刺激爽爽歪歪视频在线观看| 一个人免费在线观看电影| 婷婷亚洲欧美| 一边摸一边抽搐一进一小说| 熟女电影av网| 俺也久久电影网| 麻豆久久精品国产亚洲av| 99riav亚洲国产免费| 亚洲国产高清在线一区二区三| 性色avwww在线观看| 国产精品一区二区性色av| 给我免费播放毛片高清在线观看| av在线蜜桃| 成人性生交大片免费视频hd| 男人舔奶头视频| 亚洲成a人片在线一区二区| 深夜a级毛片| 女的被弄到高潮叫床怎么办| 久久这里只有精品中国| 别揉我奶头 嗯啊视频| 香蕉av资源在线| 老女人水多毛片| 亚洲熟妇中文字幕五十中出| 国产精品电影一区二区三区| 黄色视频,在线免费观看| 特级一级黄色大片| 一夜夜www| h日本视频在线播放| 男插女下体视频免费在线播放| 成人毛片a级毛片在线播放| 成年免费大片在线观看| 国产一区二区三区av在线 |