• <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 ?

    基于長短期記憶網(wǎng)絡(luò)的斷面交通數(shù)據(jù)異常處理

    2020-10-24 01:39:46張靈康晉滔成衛(wèi)
    交通科學(xué)與工程 2020年3期
    關(guān)鍵詞:檢測模型

    張靈,康晉滔,成衛(wèi)

    (1. 昆明市公安局交通警察支隊科信處,云南 昆明 650000;2. 昆明理工大學(xué) 交通工程學(xué)院,云南 昆明 650504)

    各大、中城市交管部門相繼引進智能交通系統(tǒng)(Intelligent Transportation Systems,簡稱為ITS)進行交通管理,積累了龐大的交通原始數(shù)據(jù)。這些交通數(shù)據(jù)在傳統(tǒng)交通領(lǐng)域和其他領(lǐng)域中,都存有極大的潛在價值[1?2]。因為數(shù)據(jù)采集、儲存質(zhì)量及精度普遍不高,其平均準(zhǔn)確率不足70%[3]。所以交通原始數(shù)據(jù)的預(yù)處理是一項不可或缺的工作。而針對原始數(shù)據(jù)的異常判定和標(biāo)準(zhǔn)修正是核心工作。最早學(xué)者們針對交通數(shù)據(jù)的異常處理是基于數(shù)理統(tǒng)計學(xué)原理。通過研究交通數(shù)據(jù)時間和空間的相關(guān)性,結(jié)合相應(yīng)的公式、模型判定異常值。Jacobson[4]等人通過研究交通參數(shù)的閾值規(guī)律,建立了相關(guān)模型,得出了運用閾值來判定參數(shù)異常的方法。Zhong[5?7]等人通過改進算法,利用插值和回歸方法,修正了異常的數(shù)據(jù)點。Min[8]等人通過交通數(shù)據(jù)在時間和空間維度相關(guān)性高的特點,使用鄰接數(shù)據(jù)和歷史數(shù)據(jù)等,修正異常值。部分學(xué)者對交通數(shù)據(jù)預(yù)處理進行了探索。姜桂艷[9?10]等人針對動態(tài)交通數(shù)據(jù),建立了一套異常評價標(biāo)準(zhǔn)和數(shù)據(jù)預(yù)處理流程。然而這類統(tǒng)計模型,難以應(yīng)對呈幾何倍數(shù)增長的交通數(shù)據(jù)。

    互聯(lián)網(wǎng)技術(shù)快速發(fā)展,人工智能算法和深度神經(jīng)網(wǎng)絡(luò)開始運用于交通領(lǐng)域。許多學(xué)者運用數(shù)據(jù)挖掘的方法,處理交通數(shù)據(jù)。楊帆[11]等人利用雙向LSTM 網(wǎng)絡(luò)對船舶自動識別數(shù)據(jù)進行學(xué)習(xí),實現(xiàn)對船舶異常行為進行檢測。Sun[12]等基于最鄰近算法(K-Nearest Neighbor, 簡稱為KNN),引入時間窗概念,拓寬數(shù)據(jù)集規(guī)模,利用R 語言,在平臺上搭建了基于窗口的最鄰近算法。Kim[13]等人對傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)進行了優(yōu)化,采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, 簡稱為CNN)和長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,簡稱為LSTM)。結(jié)合的C-LSTM (Convdutional LSTM 簡稱為C-LSTM)模型,對大量歷史交通數(shù)據(jù)進行了訓(xùn)練,建立了不同場景下的模型參數(shù),檢測對應(yīng)的數(shù)據(jù)異常值。王祥雪[14]等人對交通數(shù)據(jù)時、空特性進行了識別和強化,完成短時交通流預(yù)測模型的搭建。尹 康[15]提出了交通領(lǐng)域的關(guān)聯(lián)時間序列預(yù)測模型,在空氣質(zhì)量數(shù)據(jù)集和交通數(shù)據(jù)集上,驗證了雙通道LSTM 法的通用性和有效性。王亞萍[16]等人建立了分層貝葉斯網(wǎng)絡(luò)下的路網(wǎng)密度估測模型。因此,作者針對斷面交通數(shù)據(jù)的特征,擬運用LSTM模型進行異常數(shù)據(jù)的篩選及修正工作,提出了一種滑動工作窗口和標(biāo)簽值對比的方法,優(yōu)化數(shù)據(jù)篩選和修正流程。

    1 基于LSTM 的時序回歸模型

    1.1 原始數(shù)據(jù)集標(biāo)準(zhǔn)化處理

    由于經(jīng)典交通流理論存在3 個參數(shù)(交通流量、行車速度及車流密度)。因此,對于同一斷面的相同時刻,也存在3 個維度的特征向量。因設(shè)備采集數(shù)據(jù)的限制,所以本研究斷面的原始數(shù)據(jù)為流量和速度特征向量。當(dāng)不同的特征組合時,因為特征本身不同的表達方式和量綱,絕對數(shù)值大的數(shù)據(jù)會覆蓋小數(shù)據(jù)。所以要求對數(shù)據(jù)進行模型訓(xùn)練之前,先對抽取的特征向量進行歸一化處理,以保證每個特征向量在訓(xùn)練模型時,被平等對待。

    為了數(shù)據(jù)集標(biāo)準(zhǔn)化,采用零-均值規(guī)范化(z-score 標(biāo)準(zhǔn)化)。經(jīng)過標(biāo)準(zhǔn)化的數(shù)據(jù)均值為0,標(biāo)準(zhǔn)差為1。其標(biāo)準(zhǔn)化處理式為:

    式中:μ為原始數(shù)據(jù)的均值;σ為原始數(shù)據(jù)的標(biāo)準(zhǔn)差;x′為標(biāo)準(zhǔn)化處理之后的數(shù)據(jù)集;x為原始數(shù)據(jù)集。

    1.2 基于LSTM 的模型簡述

    原始數(shù)據(jù)經(jīng)過標(biāo)準(zhǔn)化處理后,運用LSTM 神經(jīng)模型開始訓(xùn)練數(shù)據(jù)。LSTM 實質(zhì)上是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, 簡稱為RNN)。為了解決RNN 網(wǎng)絡(luò)在處理長時間序列時,產(chǎn)生的梯度消失,LSTM 應(yīng)運而生。LSTM 網(wǎng)絡(luò)的核心組成包括5 個部分。

    1) 激活函數(shù)Tanh和Sigmoid

    激活函數(shù)Tanh用于幫助調(diào)節(jié)流經(jīng)網(wǎng)絡(luò)的值,確保數(shù)值保持在(?1,1),從而控制神經(jīng)網(wǎng)絡(luò)的輸出值在合理的邊界內(nèi)部。Tanh函數(shù)式為:

    激活函數(shù)Sigmoid與Tanh函數(shù)基本一致,不同的是Sigmoid把數(shù)據(jù)值控制在0 到1 之間。該函數(shù)特點:用于更新或忘記數(shù)據(jù)流攜帶的信息。Sigmoid函數(shù)式為:

    2) 遺忘門,可以決定數(shù)據(jù)信息的去留。其表達式為:

    式中:ft、Wf、bf分別為遺忘門的輸出向量、權(quán)值、偏置;ht?1為前一個隱藏狀態(tài)的數(shù)據(jù)信息;xt為當(dāng)前輸入的數(shù)據(jù)信息。

    3) 輸入門,可以更新細胞狀態(tài)。其表達式為:

    式中:it、Wi、bi分別為輸入門的輸出向量、權(quán)值、偏置;Wc、bc為當(dāng)前輸入狀態(tài)的權(quán)值、偏置。

    4) 細胞狀態(tài),表示當(dāng)前細胞儲存的數(shù)據(jù)信息。其表達式為:

    式中:Ct、Ct?1分別為當(dāng)前細胞狀態(tài)與前一個細胞狀態(tài)。

    5) 輸出門,可以計算下一個隱藏狀態(tài)的值,隱藏狀態(tài)包含了以前輸入的數(shù)據(jù)信息。其表達式為:

    式中:ht、Wo、bo分別為輸出門的輸出向量(即當(dāng)前細胞的輸出)、權(quán)值、偏置。

    通過在RNN 簡單的細胞結(jié)構(gòu)中,引入門結(jié)構(gòu)產(chǎn)生了LSTM 網(wǎng)絡(luò)。LSTM 的基本結(jié)構(gòu)如圖1 所示。S 代表Sigmoid激活函數(shù);T 代表Tanh激活函數(shù)。

    圖1 LSTM 基本單元結(jié)構(gòu)Fig. 1 Basic unit structure diagram of the LSTM

    2 基于LSTM 的數(shù)據(jù)異常檢測與修正

    LSTM 網(wǎng)絡(luò)對于時間序列的數(shù)據(jù),具有優(yōu)良的回歸處理效果,常被用于自然語言序列處理等領(lǐng)域。由于斷面交通數(shù)據(jù)是典型相關(guān)性大的時序數(shù)據(jù)。因此,采用LSTM,進行交通數(shù)據(jù)的擬合,有充足的前提依據(jù)。

    2.1 基于Tensorflow 的模型構(gòu)建

    LSTM 網(wǎng)絡(luò)可通過多種計算機語言編程實現(xiàn),而基于Python 開發(fā)的Tensorflow 框架,為該神經(jīng)網(wǎng)絡(luò)的搭建和訓(xùn)練提供了極大的便利。利用Tensorflow,封裝的大量神經(jīng)網(wǎng)絡(luò)功能和函數(shù),完成幾個代碼塊,即可通過LSTM 模型構(gòu)建。在Jupyternotebook 平臺上,使用其6 個部分,構(gòu)建了本模型。

    1) 導(dǎo)入模型搭建所需函數(shù)庫及定義常量

    先導(dǎo)入Pandas、Numpy 2 種數(shù)據(jù)處理庫和Tensorflow 工具庫。同時,為了便于模型可視化,導(dǎo)入Matplotlib 繪圖工具庫。再定義隱層神經(jīng)元個數(shù)hidden-unit、隱層層數(shù)lstm-layers、輸入向量維度input-size、輸出向量維度output-size 及學(xué)習(xí)率lr 5 個常量。

    2) 導(dǎo)入原始數(shù)據(jù)

    在進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中,將原始數(shù)據(jù)按一定比例分為訓(xùn)練集、驗證集及測試集。訓(xùn)練集數(shù)據(jù)用于模型的訓(xùn)練(對測試集中的異常值,進行檢測,并修正),驗證集用于模型的性能檢測,測試集用于模型的功能使用。

    3) 定義神經(jīng)網(wǎng)絡(luò)變量

    神經(jīng)網(wǎng)絡(luò)變量主要包括輸入層和輸出層的權(quán)重、偏置及 Dropout 參數(shù)。權(quán)重變量采用tf.random-normal 函數(shù),隨機向服從指定正態(tài)分布的數(shù)值中取出指定個數(shù)的值。偏置變量采用tf.constant函數(shù),從指定常量值中,取出特定形狀的向量。Dropout 參數(shù)可以有效減少過擬合現(xiàn)象,使模型泛化性更強。在每個訓(xùn)練批次中,通過隨機使部分隱層節(jié)點值為0,從而減少隱層節(jié)點間的相互作用,減少所訓(xùn)練模型對局部特征的依賴。

    4) 搭建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    采用tf.nn.rnn-cell.BasicLSTMCell 函數(shù),創(chuàng)建LSTM 基本單元結(jié)構(gòu)。采用tf.nn.rnn-cell. Multi RNNCell 函數(shù),搭建多層LSTM 隱層結(jié)構(gòu)。采用tf.nn.dynamic-rnn 函數(shù),使LSTM 細胞單元結(jié)構(gòu)連接成網(wǎng)絡(luò)。同時,為了滿足神經(jīng)網(wǎng)絡(luò)對輸入變量的形狀要求。需要將輸入向量先轉(zhuǎn)成二維進行計算。再將計算結(jié)果作為隱藏層的輸入。然后將隱藏層輸入結(jié)果,轉(zhuǎn)成三維,作為LSTM 細胞單元的輸入。最后將細胞單元運算結(jié)果轉(zhuǎn)成二維,作為神經(jīng)網(wǎng)絡(luò)的輸出值。

    5) 訓(xùn)練模型

    在Tensorflow 框架中,基本操作由會話窗口的建立、數(shù)據(jù)導(dǎo)入字典與傳入占位符2 部分組成。在模型的訓(xùn)練過程中,由損失函數(shù)和優(yōu)化器2 部分完成。損失函數(shù)使用均方誤差法進行計算,優(yōu)化器選用Adam 自適應(yīng)學(xué)習(xí)率梯度下降優(yōu)化器。在迭代過程中,通過對損失率的觀察,判斷神經(jīng)網(wǎng)絡(luò)的性能。并不斷地調(diào)節(jié)相應(yīng)參數(shù),使模型損失最小,最終達到收斂。

    6) 模型使用及可視化

    采用訓(xùn)練完成的LSTM 模型,對測試集數(shù)據(jù)進行預(yù)測擬合,并計算相應(yīng)的偏差程度。然后使用Matplotlib 繪圖工具,對模型計算結(jié)果進行可視化。同時,為了便于對模型內(nèi)部的數(shù)據(jù)流圖有更清晰的認識,利用Tensorflow 中的Tensorboard 工具,對整個模型結(jié)構(gòu)進行可視化。

    2.2 基于LSTM 的異常數(shù)據(jù)檢測修正算法

    在神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練中,通常的做法:把2/3~4/5 的樣本數(shù)據(jù)用于訓(xùn)練,余下的樣本用于測試。但是為了保障模型的準(zhǔn)確性,以4:1 的數(shù)據(jù)劃分訓(xùn)練集和測試集。由于模型是對時序數(shù)據(jù)進行異常檢測,參與訓(xùn)練的數(shù)據(jù)需要無異常點的標(biāo)準(zhǔn)樣本。因此,將訓(xùn)練集稱為標(biāo)準(zhǔn)樣本集,測試集稱為異常檢測集。算法步驟為:

    1) 建立算法工作窗口W

    交通檢測設(shè)備每天采集的流量Q和速度V為二維向量,即X=(Q,V),可以得到一維標(biāo)簽,密度特征K=Q/V。用X表示每天的原始數(shù)據(jù)集,則X1,X2,…,Xn分別為第一天、第二天、…、第n天的數(shù)據(jù)。若第t天的數(shù)據(jù)存在異常點,則獲取該天數(shù)據(jù)為檢測集Xt,那么算法工作窗口可表示為:W=

    2) LSTM 模型訓(xùn)練及運用

    先選取工作窗口W中的標(biāo)準(zhǔn)樣本集,導(dǎo)入已經(jīng)搭建好的LSTM 網(wǎng)絡(luò)中,通過迭代運算,得到算法所需的模型參數(shù)。其次,用模型參數(shù)對第t天的數(shù)據(jù)進行預(yù)測擬合,得到備選數(shù)據(jù)集tX′。由于LSTM 為監(jiān)督學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò),采用密度特征向量K作為標(biāo)簽值,再次訓(xùn)練LSTM 模型,并運用,得到校驗標(biāo)簽值tK′。

    2.3 基于LSTM 模型的質(zhì)量控制

    為了對斷面交通數(shù)據(jù)進行有效質(zhì)量控制,采用基于LSTM 模型的檢測修正算法,建立完整的質(zhì)量控制流程。算法流程分為LSTM 模型與數(shù)據(jù)處理2部分,如圖2 所示。

    3 樣本實驗

    選取2018 年5 月份昆汕高速公路K2077 斷面采集數(shù)據(jù)進行實例驗證。其中,初始標(biāo)準(zhǔn)樣本集為5 月1 日?4 日該斷面的流量和速度數(shù)據(jù)集,5 月5日的對應(yīng)數(shù)據(jù)集則為異常檢測集。同時計算出所需標(biāo)簽值,部分檢測集數(shù)據(jù)見表1。

    圖2 基于LSTM 的交通數(shù)據(jù)質(zhì)量控制流程Fig. 2 Quality control of traffic data based on the LSTM

    表1 5 月5 日昆汕高速K2077 斷面部分檢測集數(shù)據(jù)Table1 Partial test set data of section K2077 of Kunming-Shantou expressway on May 5

    3.1 模型運用

    將標(biāo)準(zhǔn)樣本集導(dǎo)入搭建完成的LSTM模型中訓(xùn)練,并不斷優(yōu)化、調(diào)節(jié)超參數(shù)。最終各超參數(shù)取值為:隱層神經(jīng)元個數(shù)hidden_unit=10;隱層層數(shù)lstm_layers=2;學(xué)習(xí)率lr=0.0006;輸入向量維度input_size=2;輸出向量維度output_size=1;batchsize=60;time_step=20。模型訓(xùn)練迭代過程中,損失函數(shù)會隨著訓(xùn)練次數(shù)的增加而不斷降低。直到訓(xùn)練次數(shù)達到一定時,即使繼續(xù)訓(xùn)練,也無法使損失函數(shù)明顯降低,此時的訓(xùn)練次數(shù)可作為合適的迭代次數(shù)參數(shù)。

    在本次實驗中,當(dāng)?shù)螖?shù)達到50 次時,基本完成收斂。訓(xùn)練模型完成后,調(diào)出模型相關(guān)參數(shù),運用模型,得出備選數(shù)據(jù)集和校驗標(biāo)簽值。

    3.2 異常數(shù)據(jù)處理

    運用LSTM 模型,計算出校驗標(biāo)簽值與異常檢測集的標(biāo)簽值。采用修正算法進行計算,得到最終的校驗集。通過對昆汕高速公路K2077 斷面校驗集的異常判定,篩選出5 月5 日異常檢測集的異常點,對應(yīng)i分別為:1,13,32,41,59,61,81,83,141。為驗證所提出的異常檢測算法的實用性,滑動工作窗口,繼續(xù)對5 月6 日?8 日數(shù)據(jù)進行檢測,從而檢測出每個檢測數(shù)據(jù)集中的異常點。為了量化基于LSTM 模型標(biāo)簽值的異常檢測算法的檢測準(zhǔn)確率,計算出5日?8 日檢測率分別為 81.82%,83.33%,91.67%,84.62%;誤檢率分別為11.11%,10%,9.09%, 9.09%。計算結(jié)果表明:模型檢測率均值超過85%,而誤檢率均值不足10%。由于實驗采用的標(biāo)準(zhǔn)樣本集僅為前4 天的數(shù)據(jù),訓(xùn)練樣本數(shù)只有576 個。因此,當(dāng)數(shù)據(jù)庫的標(biāo)準(zhǔn)樣本足夠多時,會提高該模型準(zhǔn)確率。

    針對5 月5 日檢測篩選出的異常點,對基于LSTM 模型的備選數(shù)據(jù)集進行修正替換。更新前后的數(shù)據(jù)集如圖3 所示。從圖3 可以看出,異常點位分布較為均勻,基于LSTM 模型的檢測算法泛化性能良好,異常檢測效果突出。同時,為了對修正結(jié)果有更清晰地認識,使用相對誤差指標(biāo),對5 月5 日檢測集的9 個修正值進行量化分析,求出對應(yīng)時刻索引1, 13, 32, 41, 59, 61, 81, 83, 141 的相對誤差,分別為12.68%, 10.26%, 8.51%, 16.21%, 8.69%, 7.16%,15.03%, 7.11%, 10.02%,得到整個修正算法的平均相對誤差為10.7%。各個異常點之前的相對誤差波動范圍均在4.55%以內(nèi)。表明:基于LSTM 模型的修正算法性能穩(wěn)定,整體修正效果良好。

    3.3 多方法對比分析

    基于LSTM 模型修正法,計算得到5 月5 日異常檢測集中的異常點位及修正值。將標(biāo)準(zhǔn)樣本進行更新后,異常值與修正值對比結(jié)果見表2。

    在檢測集異常點的修正過程中,如果出現(xiàn)某一特征向量修正結(jié)果與異常值相同的情況,這是因為LSTM 模型將二維特征向量數(shù)據(jù)集導(dǎo)入訓(xùn)練時,一維特征的變化程度遠大于另一維特征的。所以在數(shù)據(jù)修正時,會優(yōu)先考慮修正變化大的特征向量。在本算例分析中,由于所取斷面為高速公路數(shù)據(jù),速度特征變化極小。因此,會有修正,其結(jié)果見表2。

    圖3 基于LSTM 模型的數(shù)據(jù)修正Fig. 3 Data correction graph based on LSTM model

    為了橫向比較基于LSTM模型數(shù)據(jù)異常處理算法的有效性,選取基于短集合的移動平均修正和基于時間相關(guān)的歷史數(shù)據(jù)修正2 種方法作為對比論證。每種方法修正的數(shù)據(jù)分別與對應(yīng)窗口數(shù)據(jù)集的平均值作相對誤差(Relative Error,簡稱為RE)及均方根誤差(Root Mean Squared Error,簡稱為RMSE)計算。3 種方法對異常點的修正誤差分析見表3。

    表2 異常數(shù)據(jù)修正對比Table 2 Comparison of abnormal data correction

    從表3 可以看出:①歷史數(shù)據(jù)修正方法實用性較差。雖然交通數(shù)據(jù)具備時間相關(guān)性的特點,但因采集時間間隔較短,數(shù)據(jù)波動較大。所以基于歷史數(shù)據(jù)的修正方法,會出現(xiàn)較大的誤差。②雖然基于鄰接數(shù)據(jù)移動平均的修正方法優(yōu)于歷史數(shù)據(jù)修正。但是,這種方法對于數(shù)據(jù)集的內(nèi)部規(guī)律,挖掘不夠深入,算法性能不穩(wěn)定,修正數(shù)據(jù)時,會出現(xiàn)較大的波動。③基于LSTM 模型,修正算法深入挖掘了數(shù)據(jù)信息,算法誤差小,且具備很強的魯棒性。在大數(shù)據(jù)背景下,可以對龐大的交通原始數(shù)據(jù)進行異常處理。

    表3 3 種方法誤差對比Table 3 Error comparison of three methods

    4 結(jié)語

    原始數(shù)據(jù)中異常數(shù)據(jù)的檢測與修正是預(yù)處理過程中的核心環(huán)節(jié)。本研究提出了基于LSTM 模型的數(shù)據(jù)異常處理算法,得到的結(jié)論為:

    1) LSTM 模型對交通時序數(shù)據(jù)訓(xùn)練結(jié)果,表現(xiàn)優(yōu)異,可快速處理大量原始數(shù)據(jù)。

    2) 檢測修正算法從整體上優(yōu)化了數(shù)據(jù)質(zhì)量,彌補了傳統(tǒng)算法的局限性。

    3) 工作窗口的建立,精簡了算法流程,提升了數(shù)據(jù)修正的精度。由于深度學(xué)習(xí)的要求,需要質(zhì)量高的大量歷史數(shù)據(jù)作為樣本訓(xùn)練,因此,有待進一步研究。

    猜你喜歡
    檢測模型
    一半模型
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    “幾何圖形”檢測題
    “角”檢測題
    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
    小波變換在PCB缺陷檢測中的應(yīng)用
    好男人在线观看高清免费视频| 国产精品国产av在线观看| 精品国产露脸久久av麻豆| 美女主播在线视频| 99九九线精品视频在线观看视频| 久久久色成人| 国产色爽女视频免费观看| 波野结衣二区三区在线| 中文欧美无线码| 自拍欧美九色日韩亚洲蝌蚪91 | 国产亚洲5aaaaa淫片| 各种免费的搞黄视频| 亚洲婷婷狠狠爱综合网| 嘟嘟电影网在线观看| 亚洲精华国产精华液的使用体验| 寂寞人妻少妇视频99o| 国产精品av视频在线免费观看| 久久综合国产亚洲精品| 麻豆精品久久久久久蜜桃| 少妇的逼水好多| 国产成人精品久久久久久| 国产精品久久久久久精品电影| 久久韩国三级中文字幕| 99热这里只有精品一区| 欧美激情久久久久久爽电影| eeuss影院久久| 中国国产av一级| 国产黄色视频一区二区在线观看| 日韩一区二区视频免费看| 插逼视频在线观看| 99热网站在线观看| 午夜老司机福利剧场| av线在线观看网站| 老司机影院毛片| 国产精品av视频在线免费观看| 丝袜美腿在线中文| 免费黄网站久久成人精品| 日韩,欧美,国产一区二区三区| 精品人妻偷拍中文字幕| 九色成人免费人妻av| 日本欧美国产在线视频| 成人综合一区亚洲| 国产女主播在线喷水免费视频网站| 97超视频在线观看视频| 午夜福利视频1000在线观看| 国产一区有黄有色的免费视频| 大陆偷拍与自拍| 一区二区av电影网| 国产免费一区二区三区四区乱码| 伊人久久国产一区二区| 九九在线视频观看精品| 一级毛片 在线播放| 精品久久久久久久末码| av在线app专区| 色网站视频免费| 亚洲伊人久久精品综合| 国语对白做爰xxxⅹ性视频网站| 极品少妇高潮喷水抽搐| 亚洲成人av在线免费| 亚洲怡红院男人天堂| 一个人观看的视频www高清免费观看| 午夜精品国产一区二区电影 | 久久久精品欧美日韩精品| 少妇 在线观看| 久久久欧美国产精品| 男人舔奶头视频| a级毛片免费高清观看在线播放| 亚洲最大成人手机在线| 亚洲精品乱码久久久v下载方式| 天堂俺去俺来也www色官网| 亚洲熟女精品中文字幕| 免费看a级黄色片| 久久精品国产自在天天线| 亚洲真实伦在线观看| 91aial.com中文字幕在线观看| 精品久久久久久久久亚洲| 日韩大片免费观看网站| 欧美日韩亚洲高清精品| 亚洲人成网站在线播| 中文在线观看免费www的网站| 成人欧美大片| 国产欧美亚洲国产| 身体一侧抽搐| 亚洲精品日韩av片在线观看| 搡女人真爽免费视频火全软件| 爱豆传媒免费全集在线观看| 亚洲综合色惰| 久久久成人免费电影| 3wmmmm亚洲av在线观看| 国产av国产精品国产| 国产欧美日韩一区二区三区在线 | 天堂俺去俺来也www色官网| 国产视频内射| 色视频www国产| 国产精品久久久久久久久免| 九九爱精品视频在线观看| 日韩一区二区视频免费看| 婷婷色麻豆天堂久久| 欧美性感艳星| 国产91av在线免费观看| 国产男女超爽视频在线观看| 五月玫瑰六月丁香| 秋霞在线观看毛片| 日韩,欧美,国产一区二区三区| 欧美亚洲 丝袜 人妻 在线| 亚洲精品,欧美精品| 日韩欧美 国产精品| 亚洲电影在线观看av| 91久久精品电影网| 少妇被粗大猛烈的视频| 国产亚洲午夜精品一区二区久久 | 亚洲最大成人中文| 亚洲av欧美aⅴ国产| eeuss影院久久| a级毛片免费高清观看在线播放| 亚洲高清免费不卡视频| 秋霞在线观看毛片| 亚洲精品国产av蜜桃| 少妇的逼水好多| 欧美日韩一区二区视频在线观看视频在线 | 久久久久久久亚洲中文字幕| 中文在线观看免费www的网站| 欧美97在线视频| 十八禁网站网址无遮挡 | 免费黄网站久久成人精品| 国产午夜精品一二区理论片| 色网站视频免费| 亚洲欧美日韩无卡精品| 亚洲内射少妇av| 精品久久久精品久久久| 久久精品国产亚洲网站| 最近中文字幕2019免费版| 联通29元200g的流量卡| 亚洲,欧美,日韩| 成人亚洲精品一区在线观看 | 丰满乱子伦码专区| 亚洲婷婷狠狠爱综合网| 亚洲人成网站在线播| 少妇高潮的动态图| 亚洲熟女精品中文字幕| 天美传媒精品一区二区| 亚洲精品456在线播放app| 国产探花在线观看一区二区| .国产精品久久| 又大又黄又爽视频免费| 亚洲国产最新在线播放| 国产一区有黄有色的免费视频| 成人毛片60女人毛片免费| 菩萨蛮人人尽说江南好唐韦庄| 欧美一区二区亚洲| 成人鲁丝片一二三区免费| 搞女人的毛片| 亚洲精品自拍成人| 激情五月婷婷亚洲| 人妻少妇偷人精品九色| 极品少妇高潮喷水抽搐| 欧美日韩一区二区视频在线观看视频在线 | 99久久九九国产精品国产免费| 久久久久久九九精品二区国产| 国产精品秋霞免费鲁丝片| 搡老乐熟女国产| 国产精品熟女久久久久浪| 亚洲精品中文字幕在线视频 | 色吧在线观看| 男男h啪啪无遮挡| 成人亚洲精品av一区二区| 日韩电影二区| 国产成人精品福利久久| 中文欧美无线码| 国产视频首页在线观看| 国内精品宾馆在线| 高清毛片免费看| kizo精华| 亚洲精品亚洲一区二区| 国产亚洲91精品色在线| 极品教师在线视频| 在线看a的网站| 国产精品女同一区二区软件| 亚洲精品国产av蜜桃| 寂寞人妻少妇视频99o| 深爱激情五月婷婷| 亚洲国产精品国产精品| 日本免费在线观看一区| 一级毛片久久久久久久久女| 99热这里只有是精品50| 亚洲精品日韩av片在线观看| 国内精品宾馆在线| 亚洲最大成人中文| 九色成人免费人妻av| 如何舔出高潮| 欧美精品一区二区大全| 最近中文字幕高清免费大全6| 免费黄频网站在线观看国产| 午夜日本视频在线| 青青草视频在线视频观看| 男插女下体视频免费在线播放| 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 | 中文精品一卡2卡3卡4更新| 天美传媒精品一区二区| 久久久久性生活片| 国产淫语在线视频| 身体一侧抽搐| 免费播放大片免费观看视频在线观看| 丰满人妻一区二区三区视频av| 久久午夜福利片| 99热这里只有精品一区| 岛国毛片在线播放| 精华霜和精华液先用哪个| 一级毛片久久久久久久久女| 色视频www国产| 国产伦理片在线播放av一区| 身体一侧抽搐| 日韩制服骚丝袜av| 男男h啪啪无遮挡| 成人午夜精彩视频在线观看| 日韩制服骚丝袜av| 国产视频内射| 国产女主播在线喷水免费视频网站| 久久97久久精品| 成年女人在线观看亚洲视频 | 观看免费一级毛片| 亚洲天堂av无毛| 亚洲av免费高清在线观看| 伊人久久精品亚洲午夜| 国国产精品蜜臀av免费| 国产乱人偷精品视频| freevideosex欧美| 好男人在线观看高清免费视频| 黄色配什么色好看| 精品一区在线观看国产| 久久久a久久爽久久v久久| 制服丝袜香蕉在线| 高清av免费在线| 熟妇人妻不卡中文字幕| 最近中文字幕2019免费版| 亚洲精品乱久久久久久| 熟妇人妻不卡中文字幕| 日本与韩国留学比较| 国产亚洲av嫩草精品影院| 高清视频免费观看一区二区| 一级片'在线观看视频| 欧美日韩亚洲高清精品| 国产精品国产三级专区第一集| 午夜福利视频1000在线观看| 精品酒店卫生间| 欧美国产精品一级二级三级 | 女的被弄到高潮叫床怎么办| 国产精品国产三级专区第一集| 春色校园在线视频观看| 久久鲁丝午夜福利片| 九色成人免费人妻av| 99久久人妻综合| 街头女战士在线观看网站| 久久久久网色| 精品国产露脸久久av麻豆| 校园人妻丝袜中文字幕| 97超碰精品成人国产| 亚洲精品色激情综合| 亚洲av不卡在线观看| 日韩人妻高清精品专区| 日本一二三区视频观看| 亚洲av二区三区四区| 欧美性猛交╳xxx乱大交人| 午夜精品一区二区三区免费看| eeuss影院久久| 99热全是精品| 亚洲av欧美aⅴ国产| 日韩欧美精品免费久久| 三级经典国产精品| 啦啦啦中文免费视频观看日本| 亚洲av中文字字幕乱码综合| 黑人高潮一二区| 国产91av在线免费观看| 亚洲欧美日韩无卡精品| 国产乱来视频区| 1000部很黄的大片| 最近手机中文字幕大全| 国产精品一区二区在线观看99| 欧美性感艳星| 日韩在线高清观看一区二区三区| 午夜激情久久久久久久| 直男gayav资源| 精品人妻视频免费看| 欧美xxxx性猛交bbbb| av.在线天堂| 91精品伊人久久大香线蕉| 国产毛片在线视频| 舔av片在线| 男女无遮挡免费网站观看| 一级毛片 在线播放| 中文字幕制服av| 国产精品国产三级专区第一集| 麻豆成人午夜福利视频| 成年女人看的毛片在线观看| av国产久精品久网站免费入址| 99re6热这里在线精品视频| 久久久久久久午夜电影| 亚洲丝袜综合中文字幕| 中文精品一卡2卡3卡4更新| 尤物成人国产欧美一区二区三区| 国内揄拍国产精品人妻在线| 国产精品蜜桃在线观看| 日日啪夜夜撸| 51国产日韩欧美| 永久网站在线| 国内精品宾馆在线| 制服丝袜香蕉在线| 99久国产av精品国产电影| av福利片在线观看| 性插视频无遮挡在线免费观看| 日本熟妇午夜| av国产精品久久久久影院| 国产精品不卡视频一区二区| 久久ye,这里只有精品| 欧美一级a爱片免费观看看| 精品一区二区免费观看| 亚洲国产精品国产精品| 亚洲国产精品专区欧美| 99久久人妻综合| 国产一区二区在线观看日韩| 女的被弄到高潮叫床怎么办| 91aial.com中文字幕在线观看| 亚洲精品成人av观看孕妇| 91久久精品电影网| 下体分泌物呈黄色| 国产爱豆传媒在线观看| 最近2019中文字幕mv第一页| 亚洲精品自拍成人| 久久精品国产亚洲网站| 亚洲精品,欧美精品| 99热全是精品| 国产黄频视频在线观看| 色视频www国产| 午夜福利在线在线| 国产精品一二三区在线看| 日韩av在线免费看完整版不卡| 国产精品久久久久久精品电影小说 | 亚洲精品aⅴ在线观看| 最近手机中文字幕大全| 欧美xxⅹ黑人| 男人爽女人下面视频在线观看| 日本黄大片高清| 日韩免费高清中文字幕av| 欧美最新免费一区二区三区| 69av精品久久久久久| 免费看光身美女| 午夜亚洲福利在线播放| 岛国毛片在线播放| av卡一久久| 黄色一级大片看看| 午夜福利视频精品| av福利片在线观看| 日韩免费高清中文字幕av| 美女脱内裤让男人舔精品视频| 国产免费一区二区三区四区乱码| 熟女电影av网| 日韩亚洲欧美综合| 久久久久久九九精品二区国产| 简卡轻食公司| 男的添女的下面高潮视频| 麻豆成人午夜福利视频| 男女啪啪激烈高潮av片| 人妻系列 视频| 亚洲真实伦在线观看| 国产视频内射| av国产免费在线观看| 热re99久久精品国产66热6| 2021天堂中文幕一二区在线观| 建设人人有责人人尽责人人享有的 | 高清午夜精品一区二区三区| 卡戴珊不雅视频在线播放| 女人久久www免费人成看片| 国产免费视频播放在线视频| 欧美日韩综合久久久久久| 精品久久久久久久末码| 肉色欧美久久久久久久蜜桃 | 日产精品乱码卡一卡2卡三| 免费在线观看成人毛片| 欧美日韩视频精品一区| 欧美日韩亚洲高清精品| 亚洲伊人久久精品综合| 国产日韩欧美在线精品| 有码 亚洲区| 精品久久久久久久人妻蜜臀av| 欧美国产精品一级二级三级 | 中文字幕久久专区| 欧美另类一区| 人妻一区二区av| 在线观看美女被高潮喷水网站| 亚洲,欧美,日韩| 国产黄片视频在线免费观看| 色综合色国产| 亚洲欧美清纯卡通| av网站免费在线观看视频| 狂野欧美白嫩少妇大欣赏| 2022亚洲国产成人精品| 国产精品蜜桃在线观看| 亚洲国产精品专区欧美| 国产免费又黄又爽又色| 久久精品综合一区二区三区| 91狼人影院| 一区二区三区四区激情视频| 黄色日韩在线| 亚洲四区av| 国产女主播在线喷水免费视频网站| 日韩 亚洲 欧美在线| 日韩av在线免费看完整版不卡| 三级国产精品片| av播播在线观看一区| 国产精品蜜桃在线观看| 日日撸夜夜添| 国产欧美日韩精品一区二区| 国产精品女同一区二区软件| 网址你懂的国产日韩在线| 午夜老司机福利剧场| 天堂中文最新版在线下载 | 国产老妇女一区| 禁无遮挡网站| 亚洲精品自拍成人| 欧美成人精品欧美一级黄| 视频区图区小说| 国产综合懂色| 欧美少妇被猛烈插入视频| 日日摸夜夜添夜夜添av毛片| 一区二区三区四区激情视频| 全区人妻精品视频| 丝袜脚勾引网站| 日产精品乱码卡一卡2卡三| 免费看日本二区| 搡女人真爽免费视频火全软件| 国产大屁股一区二区在线视频| 大片电影免费在线观看免费| 国产伦理片在线播放av一区| 一个人观看的视频www高清免费观看| 波野结衣二区三区在线| 中文乱码字字幕精品一区二区三区| 91午夜精品亚洲一区二区三区| 国产亚洲一区二区精品| 亚洲怡红院男人天堂| 国产成人a区在线观看| 国产黄a三级三级三级人| 国产精品人妻久久久久久| 一级毛片久久久久久久久女| 老司机影院毛片| 亚洲精品日本国产第一区| freevideosex欧美| 成年av动漫网址| 七月丁香在线播放| 久热这里只有精品99| 99九九线精品视频在线观看视频| 三级经典国产精品| 国产淫片久久久久久久久| 日日啪夜夜撸| 亚洲精品乱码久久久v下载方式| 爱豆传媒免费全集在线观看| 午夜免费男女啪啪视频观看| 啦啦啦中文免费视频观看日本| 成人亚洲欧美一区二区av| 一本一本综合久久| 日本与韩国留学比较| 熟妇人妻不卡中文字幕| av在线观看视频网站免费| 精品久久久精品久久久| 久久久亚洲精品成人影院| 亚洲精品中文字幕在线视频 | 你懂的网址亚洲精品在线观看| 国产片特级美女逼逼视频| 只有这里有精品99| 亚洲av在线观看美女高潮| 国产精品人妻久久久影院| 久久久欧美国产精品| 啦啦啦中文免费视频观看日本| 99视频精品全部免费 在线| 国产精品一区www在线观看| 只有这里有精品99| 伊人久久国产一区二区| 欧美少妇被猛烈插入视频| 亚洲国产日韩一区二区| 日本欧美国产在线视频| 亚洲欧美精品专区久久| 亚洲国产精品国产精品| 久久久精品94久久精品| 九草在线视频观看| 2021少妇久久久久久久久久久| 2022亚洲国产成人精品| 别揉我奶头 嗯啊视频| 国产av不卡久久| 麻豆成人av视频| 王馨瑶露胸无遮挡在线观看| 午夜福利高清视频| 午夜精品国产一区二区电影 | 高清在线视频一区二区三区| 男女边吃奶边做爰视频| 五月开心婷婷网| 2021少妇久久久久久久久久久| 蜜臀久久99精品久久宅男| 九九爱精品视频在线观看| 国产av不卡久久| 不卡视频在线观看欧美| 国产亚洲精品久久久com| 汤姆久久久久久久影院中文字幕| 国产在线一区二区三区精| 男女边吃奶边做爰视频| 色综合色国产| 国产精品一区www在线观看| 亚洲成人中文字幕在线播放| 欧美一级a爱片免费观看看| 搡老乐熟女国产| .国产精品久久| 亚洲欧美一区二区三区国产| 搡女人真爽免费视频火全软件| 欧美潮喷喷水| 欧美zozozo另类| 我的老师免费观看完整版| 干丝袜人妻中文字幕| 最近最新中文字幕免费大全7| 人人妻人人看人人澡| 国产成人免费无遮挡视频| 日韩欧美 国产精品| 国产精品蜜桃在线观看| 一级片'在线观看视频| 亚洲最大成人中文| 久久久久网色| 少妇丰满av| 大又大粗又爽又黄少妇毛片口| 久久99热这里只频精品6学生| 你懂的网址亚洲精品在线观看| 国产精品国产三级国产专区5o| 亚洲av成人精品一二三区| 亚洲丝袜综合中文字幕| 卡戴珊不雅视频在线播放| 欧美精品人与动牲交sv欧美| 成年av动漫网址| 欧美国产精品一级二级三级 | 免费看光身美女| 老司机影院成人| 欧美日韩视频精品一区| 日韩视频在线欧美| 久久97久久精品| 日韩欧美 国产精品| 中文字幕免费在线视频6| 国产亚洲午夜精品一区二区久久 | 熟妇人妻不卡中文字幕| 男女边吃奶边做爰视频| 久久女婷五月综合色啪小说 | 午夜福利网站1000一区二区三区| 中文字幕亚洲精品专区| 国产一区二区亚洲精品在线观看| 波野结衣二区三区在线| 青春草国产在线视频| 日日撸夜夜添| 国产精品99久久久久久久久| 亚洲四区av| 精品久久久久久久久亚洲| 亚洲丝袜综合中文字幕| 国产成人免费无遮挡视频| 日韩av不卡免费在线播放| 亚洲精品一区蜜桃| 一级二级三级毛片免费看| 网址你懂的国产日韩在线| 少妇 在线观看| 高清日韩中文字幕在线| 国产精品99久久久久久久久| 成年人午夜在线观看视频| av国产免费在线观看| av专区在线播放| videossex国产| 国产精品成人在线| 日韩视频在线欧美| 国产成人a∨麻豆精品| 久久久午夜欧美精品| 新久久久久国产一级毛片| 偷拍熟女少妇极品色| 三级国产精品欧美在线观看| 免费黄网站久久成人精品| 国产高清国产精品国产三级 | 国产亚洲91精品色在线| 色综合色国产| 麻豆乱淫一区二区| 亚洲自偷自拍三级| 99久久九九国产精品国产免费| 午夜激情福利司机影院| 国产精品国产三级国产av玫瑰| 欧美人与善性xxx| 亚洲欧美中文字幕日韩二区| 亚洲怡红院男人天堂| av在线亚洲专区| 男人爽女人下面视频在线观看| 国产精品av视频在线免费观看| 中文资源天堂在线| 五月天丁香电影| 国内揄拍国产精品人妻在线| 国产精品不卡视频一区二区| 在现免费观看毛片| 日韩精品有码人妻一区| 91精品一卡2卡3卡4卡| 欧美xxxx黑人xx丫x性爽| 亚洲自拍偷在线| av专区在线播放| 久久久久九九精品影院| 精品久久久久久久久亚洲| 国产又色又爽无遮挡免| 亚洲精品国产av成人精品| 少妇被粗大猛烈的视频| 日韩在线高清观看一区二区三区| 毛片一级片免费看久久久久| 纵有疾风起免费观看全集完整版| 日本黄色片子视频| 亚洲伊人久久精品综合| 美女内射精品一级片tv| 三级经典国产精品| 国产精品秋霞免费鲁丝片| 国产在线男女| 精品久久久久久久末码| 午夜福利高清视频|