• <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BP-SVR組合模型的空氣質(zhì)量指數(shù)預(yù)測

    2020-12-01 03:15:00甘露情劉媛華
    軟件導(dǎo)刊 2020年10期

    甘露情 劉媛華

    摘 要:建立有效的空氣質(zhì)量指數(shù)預(yù)測模型,可以為個(gè)人出行及相關(guān)部門治理大氣污染提供指導(dǎo)。選取北京市的歷史空氣數(shù)據(jù)以及氣象數(shù)據(jù)作為研究對(duì)象,建立基于BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)和SVR(Support Vector Regression)支持向量機(jī)回歸的BP-SVR組合預(yù)測模型。首先利用灰狼優(yōu)化算法分別對(duì)BP模型和SVR模型參數(shù)進(jìn)行尋優(yōu);然后運(yùn)用該組合模型對(duì)空氣質(zhì)量指數(shù)進(jìn)行預(yù)測。實(shí)驗(yàn)結(jié)果表明,BP-SVR模型的平均絕對(duì)百分誤差、均方根誤差、平均絕對(duì)誤差均小于單一預(yù)測模型,分別為0.217 5、37.032 0、25.157 5。BP-SVR組合模型具有更高的預(yù)測精度,泛化能力更強(qiáng),可以對(duì)空氣質(zhì)量指數(shù)進(jìn)行有效預(yù)測。

    關(guān)鍵詞:空氣質(zhì)量指數(shù)預(yù)測;灰狼算法;BP模型;SVR模型;BP-SVR模型

    DOI:10. 11907/rjdk. 201217

    中圖分類號(hào):TP301文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-7800(2020)010-0080-04

    Abstract: Establishing an effective air quality index prediction model can provide guidance for individual travel and related departments to control air pollution. The historical air data and meteorological data of Beijing were selected as research objects, and a BP-SVR combined prediction model based on BP (Back Propagation) neural network and SVR (Support Vector Regression) support vector machine regression was established. First, the gray wolf optimization algorithm was used to optimize the parameters of the BP model and the SVR model, and then the combined model was used to predict the air quality index. Experimental results show that the average absolute percentage error, root mean square error, and average absolute error of the BP-SVR model are smaller than that of a single prediction model, which are 0.2175, 37.032 0, and 25.157 5, respectively. The BP-SVR combination model has higher prediction accuracy and stronger generalization ability, and can effectively predict the air quality index.

    Key Words: air quality index prediction; gray wolf algorithm; BP model; SVR model; BP-SVR model

    0 引言

    我國工業(yè)化進(jìn)程不斷加快,能源消耗量持續(xù)增加,產(chǎn)生大量的污染顆粒,導(dǎo)致我國空氣污染日趨嚴(yán)峻[1-2]。近些年,我國眾多城市出現(xiàn)大規(guī)模霧霾天氣的頻率越來越高,特別是2015年北京發(fā)生史上最嚴(yán)重霧霾,PM2.5濃度峰值接近1 000μg/m3??諝馕廴静坏珪?huì)對(duì)人體健康造成傷害,還會(huì)造成交通停滯等問題,對(duì)社會(huì)經(jīng)濟(jì)造成重大損失[3]。目前亟需建立模型對(duì)空氣質(zhì)量指數(shù)進(jìn)行有效預(yù)測,減少大氣污染對(duì)人體的危害,還可為相關(guān)部門治理大氣污染提供數(shù)據(jù)支持。

    國內(nèi)外早期主要從數(shù)值模型和統(tǒng)計(jì)模型角度預(yù)測空氣質(zhì)量指數(shù),數(shù)值模型需要對(duì)污染物有充分認(rèn)識(shí),數(shù)據(jù)采集難度較大。統(tǒng)計(jì)模型計(jì)算簡單,然而空氣質(zhì)量數(shù)據(jù)具有非線性特點(diǎn),用線性模型進(jìn)行預(yù)測難以取得較好結(jié)果。由于神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性擬合能力,越來越多的學(xué)者采用神經(jīng)網(wǎng)絡(luò)對(duì)空氣質(zhì)量指數(shù)進(jìn)行預(yù)測。如Mishra等[4]分別建立人工神經(jīng)網(wǎng)絡(luò)和多元線性回歸模型對(duì)印度德里的PM2.5值進(jìn)行預(yù)測,實(shí)驗(yàn)結(jié)果證明神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度更高;呂霽洲[5]首先提出簡化AQI計(jì)算模型并進(jìn)行驗(yàn)證,又提出采用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)AQI進(jìn)行預(yù)測,對(duì)北京某地區(qū)空氣質(zhì)量進(jìn)行預(yù)測,結(jié)果表明當(dāng)數(shù)據(jù)量足夠時(shí)可以達(dá)到很高的預(yù)測精度。單一預(yù)測模型初始參數(shù)設(shè)置會(huì)對(duì)預(yù)測結(jié)果產(chǎn)生較大影響,為了進(jìn)一步提高預(yù)測精度,越來越多學(xué)者提出將單一模型與其它方法相結(jié)合的混合模型。Feng等[6]提出將小波分析和軌跡分析與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型,并應(yīng)用于PM2.5濃度預(yù)測;張楠等[7]采用改進(jìn)灰狼算法優(yōu)化支持向量機(jī)回歸模型,構(gòu)建空氣質(zhì)量指數(shù)預(yù)測模型,對(duì)太原市空氣質(zhì)量進(jìn)行預(yù)測,結(jié)果表明該模型具有更高的預(yù)測精度;吳慧靜等[8]利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)構(gòu)建空氣質(zhì)量指數(shù)預(yù)測模型,對(duì)許昌市空氣質(zhì)量進(jìn)行預(yù)測驗(yàn)證,并與單一神經(jīng)網(wǎng)絡(luò)對(duì)比,表明該模型具有更高的預(yù)測精度。目前,空氣質(zhì)量指數(shù)預(yù)測鮮少考慮氣象因素影響,且很少將兩種預(yù)測模型進(jìn)行組合預(yù)測。本文在分析空氣質(zhì)量影響因素過程中考慮氣象條件,利用灰狼優(yōu)化算法分別對(duì)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)參數(shù)進(jìn)行優(yōu)化,再對(duì)空氣質(zhì)量分別加以預(yù)測,將兩者預(yù)測結(jié)果作非線性處理,得到空氣質(zhì)量指數(shù)最終預(yù)測結(jié)果。

    1 基于GWO算法的BP神經(jīng)網(wǎng)絡(luò)與SVR優(yōu)化

    1.1 灰狼優(yōu)化算法

    灰狼優(yōu)化算法(GWO)是由澳大利亞學(xué)者M(jìn)irjalili等[9]提出的一種群智能優(yōu)化算法?;依翘幱谑澄镦湹捻攲?,內(nèi)部擁有非常嚴(yán)格的社會(huì)等級(jí)制度[10]。GWO算法將狼群根據(jù)適應(yīng)能力大小從高到低分成a、b、d、w 4個(gè)等級(jí)[11]。數(shù)學(xué)模型如下:

    (1)包圍獵物?;依撬阉鳙C物時(shí)需接近并包圍獵物,該行為數(shù)學(xué)模型為:

    式中,t是算法當(dāng)前迭代次數(shù),[A]和[C]是協(xié)同系數(shù)向量,[Xp]表示獵物當(dāng)前位置向量,[Xt] 表示灰狼在第t次迭代時(shí)的位置向量,在整個(gè)迭代過程中,[a]的值從2線性降到0;[r1]和[r2]是[0,1]中的隨機(jī)向量。

    (2)狩獵。搜索獵物過程中,假設(shè)a、b、d在識(shí)別潛在獵物位置具有較強(qiáng)能力,因此根據(jù)種群中最好的3只灰狼的位置信息更新其余搜索代理位置信息,數(shù)學(xué)表達(dá)式如下:

    (3)攻擊獵物?;依遣东@到獵物,即GWO算法找到最優(yōu)解。[A]的值會(huì)隨著[a]的線性遞減而變化,當(dāng)|[A]|>1,灰狼遠(yuǎn)離獵物;|[A]|<1,灰狼攻擊獵物,找到最優(yōu)解。

    1.2 GWO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)尋優(yōu)

    BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)最主要的特點(diǎn)是信號(hào)前向傳播,誤差反向傳播[12-13]。本文采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)為3層,分別為輸入層、隱含層、輸出層。網(wǎng)絡(luò)初始權(quán)值和閾值的隨機(jī)性對(duì)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能影響較大,使其容易陷入局部最優(yōu)解,收斂速度慢[14-16]。因此,本文利用GWO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,提高模型預(yù)測精度。

    具體步驟如下:①確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),隨機(jī)初始化權(quán)值和閾值;②初始化灰狼算法參數(shù),初始化不同等級(jí)灰狼的位置向量;③計(jì)算灰狼適應(yīng)度值,若優(yōu)于原來的適應(yīng)度值,則將該狼的適應(yīng)度值作為最佳適應(yīng)度值,否則保持原有結(jié)果繼續(xù)迭代;④達(dá)到最大迭代次數(shù),輸出最優(yōu)權(quán)值和閾值,否則繼續(xù)步驟③進(jìn)行迭代尋優(yōu);⑤將最優(yōu)權(quán)值和閾值輸入BP神經(jīng)網(wǎng)絡(luò),并進(jìn)行下一步預(yù)測。

    1.3 基于GWO優(yōu)化算法的SVR參數(shù)尋優(yōu)

    支持向量機(jī)最早由Vapnik提出,具有較好泛化性能,需優(yōu)化參數(shù)少、計(jì)算簡單[17-18]。但SVR模型預(yù)測精度受懲罰參數(shù)c和核函數(shù)參數(shù)g影響較大,目前對(duì)參數(shù)選取并沒有公認(rèn)統(tǒng)一的最佳方法[19-20]。本文利用灰狼優(yōu)化算法全局搜索能力強(qiáng)的優(yōu)點(diǎn),在更大范圍內(nèi)對(duì)SVR的c和g參數(shù)進(jìn)行尋優(yōu)。具體步驟如下:①初始化支持向量機(jī)參數(shù)范圍;②初始化灰狼算法參數(shù),確定灰狼數(shù)量,初始化不同等級(jí)灰狼位置向量;③以均方根誤差作為優(yōu)化的目標(biāo)函數(shù)值,計(jì)算灰狼適應(yīng)度值;④更新灰狼位置向量,計(jì)算更新后的灰狼適應(yīng)度,若適應(yīng)度值優(yōu)于原來最佳適應(yīng)度值,則將該灰狼適應(yīng)度值作為最佳適應(yīng)度值,否則繼續(xù)迭代;⑤若達(dá)到最大迭代次數(shù),輸出最優(yōu)參數(shù)c和g,否則返回步驟④繼續(xù)迭代;⑥將最優(yōu)參數(shù)c和g輸入SVR模型中進(jìn)行訓(xùn)練和預(yù)測。

    2 BP-SVR組合模型

    由于空氣質(zhì)量數(shù)據(jù)具有非線性和時(shí)序性特征,用單一模型對(duì)其進(jìn)行預(yù)測,準(zhǔn)確率不高。BP神經(jīng)網(wǎng)絡(luò)模型能夠較好模擬非線性數(shù)據(jù),適合中長期預(yù)測,泛化能力強(qiáng)。SVR模型是一種短期的基于時(shí)間序列的回歸模型。將兩者進(jìn)行組合預(yù)測,能提高模型預(yù)測精度。

    組合模型結(jié)構(gòu)如圖1所示,將經(jīng)過預(yù)處理的數(shù)據(jù)集分成訓(xùn)練集(Traindata)和測試集(Testdata),先將訓(xùn)練數(shù)據(jù)集分別輸入GWO-BP和GWO-SVR算法中進(jìn)行訓(xùn)練,得到最優(yōu)BP模型(M1)和SVR模型(M2),再將測試集分別輸入BP和SVR模型中,得到兩組預(yù)測結(jié)果R1和R2。大多數(shù)組合模型將預(yù)測結(jié)果進(jìn)行直接相加處理,忽略簡單線性處理弊端。本文利用人工神經(jīng)網(wǎng)絡(luò)對(duì)組合模型的權(quán)重系數(shù)進(jìn)行優(yōu)化,對(duì)兩組預(yù)測結(jié)果賦予最佳權(quán)重系數(shù),得到最終預(yù)測值。首先將真實(shí)數(shù)據(jù)(P)和兩組預(yù)測數(shù)據(jù)組成新的數(shù)據(jù)集(Newdata),將數(shù)據(jù)集分成訓(xùn)練集(Newdata_Train)和測試集(Newdata_Test);再利用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)新的訓(xùn)練集進(jìn)行訓(xùn)練,得到第2個(gè)BP模型(M3);最后將測試集(newdata_test)輸入模型(M3)進(jìn)行預(yù)測,得到最終預(yù)測結(jié)果。

    3 實(shí)驗(yàn)與結(jié)果分析

    3.1 數(shù)據(jù)預(yù)處理

    本文數(shù)據(jù)來源于中國環(huán)境監(jiān)測總站和中國氣象局,選取北京市2013年12月2日-2017年2月28日的AQI數(shù)據(jù)和6種污染物數(shù)據(jù),以及同時(shí)期氣象數(shù)據(jù),共1 184天數(shù)據(jù)。污染物數(shù)據(jù)包括NO2、CO、PM2.5、PM10、SO2、O3,氣象數(shù)據(jù)包括風(fēng)速、氣壓、氣溫。實(shí)驗(yàn)中將前一天的空氣污染物數(shù)據(jù)以及當(dāng)天氣象數(shù)據(jù)作為輸入因素,當(dāng)日的AQI數(shù)據(jù)作為輸出量。輸入模型前先對(duì)數(shù)據(jù)作歸一化處理,消除因數(shù)量級(jí)不同對(duì)預(yù)測精度造成的影響。

    3.2 模型訓(xùn)練

    (1)GWO-BP算法中,灰狼數(shù)量為30,迭代次數(shù)為100。經(jīng)過訓(xùn)練,當(dāng)BP神經(jīng)網(wǎng)絡(luò)隱含層數(shù)量為10個(gè)時(shí),誤差最小,因此BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為9-10-1。GWO-SVR算法中的灰狼種群數(shù)量為30,迭代次數(shù)為100。

    (2)將經(jīng)過預(yù)處理后數(shù)據(jù)集中的1 000組數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)(Traindata),剩余的186組數(shù)據(jù)作為測試集數(shù)據(jù)(Testdata)。利用訓(xùn)練集數(shù)據(jù)訓(xùn)練GWO-BP和GWO-SVR算法,得到模型M1和M2。利用模型M1和M2對(duì)測試集數(shù)據(jù)進(jìn)行預(yù)測,將得到的兩組預(yù)測結(jié)果R1和R2和真實(shí)數(shù)據(jù)組成新的數(shù)據(jù)集(Newdata)。從新的數(shù)據(jù)集中選取100組數(shù)據(jù)作為新的訓(xùn)練集(Newdata_Train),剩余的86組數(shù)據(jù)作為新的測試數(shù)據(jù)集(Newdata_Test)。利用Newdata_Train訓(xùn)練新的BP神經(jīng)網(wǎng)絡(luò),當(dāng)隱含層數(shù)量為5時(shí),預(yù)測精度最高,得到模型M3。將新的測試集輸入模型M3中得到最終預(yù)測值。

    3.3 實(shí)驗(yàn)結(jié)果分析

    將本文提出的BP-SVR組合模型、BP模型及SVR模型進(jìn)行對(duì)比,驗(yàn)證本文空氣質(zhì)量指數(shù)預(yù)測模型有效性。將相同數(shù)據(jù)集輸入BP和SVR模型中,實(shí)驗(yàn)結(jié)果如圖2所示。

    由圖2可以看出,本文提出的BP-SVR模型比單一BP模型和SVR模型數(shù)據(jù)預(yù)測擬合能力更強(qiáng)。BP-SVR模型預(yù)測趨勢更接近于真實(shí)值,但仍有部分點(diǎn)預(yù)測效果較差。

    模型誤差曲線對(duì)比如圖3所示。

    由圖3可以看出,BP-SVR組合模型比單一BP預(yù)測模型和SVR預(yù)測模型具有更小的預(yù)測誤差。為了對(duì)不同模型預(yù)測結(jié)果作進(jìn)一步分析,引入3個(gè)量化評(píng)價(jià)指標(biāo),即平均絕對(duì)百分誤差(MAPE)、均方根誤差(RMSE)、平均絕對(duì)誤差(MAE),結(jié)果如表1所示。

    由表1可以看出,BP-SVR組合預(yù)測模型的均方根誤差、平均絕對(duì)誤差、平均絕對(duì)誤差百分比均明顯小于單一BP模型和SVR模型,模型預(yù)測精度提高,數(shù)據(jù)擬合能力更強(qiáng)。

    4 結(jié)語

    空氣質(zhì)量指數(shù)預(yù)測是一個(gè)復(fù)雜問題,不僅受污染顆粒影響,還受氣象因素影響較大。對(duì)其進(jìn)行有效預(yù)測,可為人們?nèi)粘Ia(chǎn)活動(dòng)及空氣污染治理提供指導(dǎo)。本文在考慮氣象因素的基礎(chǔ)上,針對(duì)單一預(yù)測模型精度不高的問題,提出BP-SVR組合預(yù)測模型,對(duì)空氣質(zhì)量指數(shù)進(jìn)行預(yù)測。根據(jù)誤差對(duì)比和指標(biāo)評(píng)價(jià)結(jié)果可知,BP-SVR模型預(yù)測精度比單一預(yù)測模型更高,擬合能力更強(qiáng)。因此,該模型可有效應(yīng)用于空氣質(zhì)量指數(shù)預(yù)測,但仍有部分點(diǎn)預(yù)測效果不佳。后續(xù)將對(duì)數(shù)據(jù)進(jìn)行離群點(diǎn)檢測,進(jìn)一步提高模型預(yù)測精度。

    參考文獻(xiàn):

    [1] 王繼志,楊元琴,周春紅,等. 霧霾能見度天氣分析與預(yù)測方法研究[C]. 中國氣象學(xué)會(huì)會(huì)議論文集,2007:152-156.

    [2] 齊甜方,蔣洪迅,石曉文. 面向多源數(shù)據(jù)沈陽市 PM2.5濃度預(yù)測研究及實(shí)證分析[J]. 系統(tǒng)工程,2018(5):104-115.

    [3] 王建州,楊文棟. 基于非線性修正策略的空氣質(zhì)量預(yù)警系統(tǒng)研究[J]. 系統(tǒng)工程理論與實(shí)踐,2019,39(8):2139-2151

    [4] MISHRA D,GOYAL P,UPADHYAY A.Artificial intelligence based approach to forecast PM2.5 during haze episodes:A case study of Delhi,India[J]. Atmospheric Environment,2015,102:239-248.

    [5] 呂霽洲. 基于AQI和BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量評(píng)價(jià)及預(yù)測[J]. 電子世界,2018,38(11):23-24.

    [6] FENG X,LI Q,ZHU Y J,et al. Artificial neural networks forecasting of PM2.5 pollution using air mass trajectory based geographic model and wavelet transformation[J]. Atmospheric Environment,2015,107: 118-128.

    [7] 張楠,王鵬,白艷萍,等. 基于MGWO-SVR的空氣質(zhì)量預(yù)測[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2018,49(8):159-165.

    [8] 吳慧靜,赫曉慧. 基于GA-BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量指數(shù)預(yù)測研究[J]. 安徽師范大學(xué)學(xué)報(bào),2019,63(4):360-365.

    [9] MIRJALILI S, MIRJALILI S M,LEWIS A.Grey wolf optimizer [J].? Advance In Engineering Software,2014(5):46-61.

    [10] 楊書杰,葉霞,李俊山. 基于灰狼算法的BP神經(jīng)網(wǎng)絡(luò)圖像回復(fù)算法[J]. 微電子學(xué)與計(jì)算機(jī),2018,47(3):19-22,27.

    [11] 徐達(dá)宇,丁帥. 改進(jìn)GWO優(yōu)化SVM的云計(jì)算資源負(fù)載短期預(yù)測研究[J].? 計(jì)算機(jī)工程與應(yīng)用,2015,52(12): 1-7.

    [12] 李雪,顧沈明,年浩. 改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測[J]. 閩南師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2014(1):56-61.

    [13] 祝翠玲,蔣志方,王強(qiáng). 基于B-P神經(jīng)網(wǎng)絡(luò)的環(huán)境空氣質(zhì)量預(yù)測模型[J]. 計(jì)算機(jī)工程與應(yīng)用,2007,44(22):223-227.

    [14] 馬曉敏,王新. 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)改進(jìn)[J]. 云南大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,35(A2):34-38.

    [15] 付曉明,王福林,尚家杰. 基于多子代遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[J]. 計(jì)算機(jī)仿真,2016,33(3):258-263.

    [16] 馬秋芳. 改進(jìn)PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測[J]. 計(jì)算機(jī)仿真,2019,35(4):94-98,323.

    [17] 尹琪,胡紅萍,白艷萍,等. 基于GA-SVM的太原市空氣質(zhì)量指數(shù)預(yù)測[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2017,48(12):113-120.

    [18] 倪志偉,朱旭輝,程美英. 基于人工魚群和分形維數(shù)融合 SVM 的空氣質(zhì)量預(yù)測方法[J]. 模式識(shí)別與人工智能,2016,28(12):1122-1131.

    [19] 王小川,史峰,郁磊,等. MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M]. 北京:北京航空航天大學(xué)出版社,2013.

    [20] 高帥,胡紅萍,李洋,等. 基于MFO-SVM的空氣質(zhì)量指數(shù)預(yù)測[J]. 中北大學(xué)學(xué)報(bào),2018,40(4):373-379.

    (責(zé)任編輯:孫 娟)

    欧美精品亚洲一区二区| 久久人妻熟女aⅴ| 99精品久久久久人妻精品| 国产精品永久免费网站| 精品福利观看| 巨乳人妻的诱惑在线观看| 亚洲av电影在线进入| 欧美成狂野欧美在线观看| 大片电影免费在线观看免费| 亚洲国产精品合色在线| 日本欧美视频一区| 精品免费久久久久久久清纯 | 国产精品久久久久久精品古装| 精品视频人人做人人爽| 啪啪无遮挡十八禁网站| 成人18禁在线播放| 欧美成人午夜精品| 国产蜜桃级精品一区二区三区 | 欧美成人午夜精品| 欧美黑人欧美精品刺激| 国产欧美日韩一区二区精品| 丁香六月欧美| 嫩草影视91久久| 成年人免费黄色播放视频| 青草久久国产| 国产在线精品亚洲第一网站| 久久香蕉精品热| 日韩欧美一区二区三区在线观看 | 9191精品国产免费久久| 91成人精品电影| 一个人免费在线观看的高清视频| 性少妇av在线| 超碰成人久久| 午夜福利欧美成人| 中亚洲国语对白在线视频| av网站在线播放免费| 国产成+人综合+亚洲专区| 涩涩av久久男人的天堂| 男女免费视频国产| 欧美中文综合在线视频| 在线观看66精品国产| 日韩欧美一区视频在线观看| 亚洲人成电影观看| 黄色怎么调成土黄色| 不卡一级毛片| 国产精品九九99| 欧美日韩一级在线毛片| 午夜91福利影院| 日韩欧美国产一区二区入口| 天堂中文最新版在线下载| 亚洲一区高清亚洲精品| 老司机亚洲免费影院| 天天影视国产精品| 久久精品91无色码中文字幕| 久久影院123| 亚洲欧美激情在线| 国产片内射在线| 9热在线视频观看99| 久久精品熟女亚洲av麻豆精品| 亚洲七黄色美女视频| 中文字幕色久视频| av免费在线观看网站| 亚洲精品久久成人aⅴ小说| 国产成人精品久久二区二区91| 少妇的丰满在线观看| 无限看片的www在线观看| 新久久久久国产一级毛片| 亚洲人成77777在线视频| aaaaa片日本免费| 91九色精品人成在线观看| 涩涩av久久男人的天堂| 一级,二级,三级黄色视频| 国产成人啪精品午夜网站| 亚洲专区国产一区二区| 欧美午夜高清在线| 亚洲一卡2卡3卡4卡5卡精品中文| 久久人妻av系列| 亚洲三区欧美一区| 国产精品免费一区二区三区在线 | 成年人午夜在线观看视频| 精品国产一区二区三区四区第35| 国产精品偷伦视频观看了| 久久久久久久久免费视频了| 超碰97精品在线观看| 亚洲熟妇中文字幕五十中出 | 真人做人爱边吃奶动态| 国产亚洲精品第一综合不卡| 夜夜爽天天搞| 脱女人内裤的视频| 99久久人妻综合| 俄罗斯特黄特色一大片| 免费av中文字幕在线| 在线观看免费视频日本深夜| 啦啦啦 在线观看视频| 日本一区二区免费在线视频| 精品高清国产在线一区| 国产精品香港三级国产av潘金莲| 夜夜爽天天搞| 国精品久久久久久国模美| 亚洲全国av大片| 五月开心婷婷网| 国产成人一区二区三区免费视频网站| 欧美精品啪啪一区二区三区| 日韩欧美一区二区三区在线观看 | 黄色成人免费大全| 在线天堂中文资源库| 女警被强在线播放| 757午夜福利合集在线观看| 久久狼人影院| 波多野结衣一区麻豆| 少妇猛男粗大的猛烈进出视频| www.自偷自拍.com| 久久中文字幕人妻熟女| 99久久综合精品五月天人人| 亚洲五月色婷婷综合| 男女床上黄色一级片免费看| 免费不卡黄色视频| 一级a爱视频在线免费观看| 亚洲精品一二三| 成人黄色视频免费在线看| 一级毛片精品| 在线观看一区二区三区激情| 男人的好看免费观看在线视频 | 精品电影一区二区在线| 亚洲七黄色美女视频| av一本久久久久| 久热爱精品视频在线9| 欧美黄色片欧美黄色片| 精品熟女少妇八av免费久了| 99国产精品一区二区三区| 国产主播在线观看一区二区| 女警被强在线播放| 欧美激情久久久久久爽电影 | 美女午夜性视频免费| 1024视频免费在线观看| 亚洲午夜理论影院| 精品国产美女av久久久久小说| 欧美精品一区二区免费开放| 国产成+人综合+亚洲专区| 在线观看免费视频网站a站| 高清毛片免费观看视频网站 | 国产成+人综合+亚洲专区| 欧美黑人精品巨大| 99久久国产精品久久久| 在线观看66精品国产| 亚洲熟妇熟女久久| 国产成人啪精品午夜网站| 国产无遮挡羞羞视频在线观看| 女性生殖器流出的白浆| 黄色丝袜av网址大全| 亚洲精品中文字幕在线视频| 国产精品自产拍在线观看55亚洲 | 精品人妻熟女毛片av久久网站| 日韩有码中文字幕| 精品福利观看| 久久国产精品大桥未久av| 大片电影免费在线观看免费| 超碰97精品在线观看| 人人妻人人澡人人爽人人夜夜| 少妇的丰满在线观看| 国产精品亚洲一级av第二区| 亚洲九九香蕉| 最新美女视频免费是黄的| ponron亚洲| 国产有黄有色有爽视频| 91老司机精品| 亚洲第一av免费看| 精品熟女少妇八av免费久了| 一二三四在线观看免费中文在| www.999成人在线观看| 日本vs欧美在线观看视频| 精品福利观看| 俄罗斯特黄特色一大片| 精品少妇久久久久久888优播| 国产男靠女视频免费网站| 免费人成视频x8x8入口观看| 精品久久久久久久久久免费视频 | 日韩 欧美 亚洲 中文字幕| 成人手机av| 亚洲av成人一区二区三| 午夜福利,免费看| 日本wwww免费看| 下体分泌物呈黄色| 国产精品自产拍在线观看55亚洲 | 捣出白浆h1v1| √禁漫天堂资源中文www| 免费在线观看影片大全网站| 色精品久久人妻99蜜桃| 丝袜美足系列| 日韩欧美三级三区| 色综合欧美亚洲国产小说| 精品一区二区三区视频在线观看免费 | 亚洲精品美女久久av网站| 欧美黄色淫秽网站| 每晚都被弄得嗷嗷叫到高潮| 男女免费视频国产| 一区二区三区国产精品乱码| 久久狼人影院| 两人在一起打扑克的视频| 久久国产精品影院| 性色av乱码一区二区三区2| 成人影院久久| 午夜影院日韩av| 黄片大片在线免费观看| 757午夜福利合集在线观看| 国产欧美日韩精品亚洲av| 亚洲精品乱久久久久久| 午夜精品国产一区二区电影| 欧美日韩成人在线一区二区| 欧美精品啪啪一区二区三区| 19禁男女啪啪无遮挡网站| 老司机午夜福利在线观看视频| 999久久久精品免费观看国产| 叶爱在线成人免费视频播放| 丁香六月欧美| 两个人免费观看高清视频| 操出白浆在线播放| 9热在线视频观看99| 国产一区二区激情短视频| 法律面前人人平等表现在哪些方面| 18禁观看日本| 青草久久国产| 变态另类成人亚洲欧美熟女 | www.999成人在线观看| 大码成人一级视频| 日韩制服丝袜自拍偷拍| 国产精品成人在线| 国产精品1区2区在线观看. | 少妇猛男粗大的猛烈进出视频| 国产主播在线观看一区二区| e午夜精品久久久久久久| 成人特级黄色片久久久久久久| 欧美激情高清一区二区三区| 看片在线看免费视频| 丰满的人妻完整版| 女人精品久久久久毛片| 美女视频免费永久观看网站| 免费看十八禁软件| 手机成人av网站| 亚洲中文av在线| 欧美国产精品一级二级三级| 在线视频色国产色| 国产成人av教育| 亚洲五月色婷婷综合| 91av网站免费观看| 精品国产国语对白av| 精品乱码久久久久久99久播| 亚洲国产中文字幕在线视频| 亚洲美女黄片视频| 黄色片一级片一级黄色片| 在线观看66精品国产| 欧美日韩亚洲综合一区二区三区_| 黄片播放在线免费| 在线观看免费视频网站a站| 国产麻豆69| 亚洲三区欧美一区| 1024视频免费在线观看| 曰老女人黄片| 亚洲七黄色美女视频| 一级毛片高清免费大全| 1024香蕉在线观看| 男女高潮啪啪啪动态图| 午夜福利视频在线观看免费| 国产成人一区二区三区免费视频网站| 丝袜在线中文字幕| 欧美亚洲 丝袜 人妻 在线| 欧美人与性动交α欧美软件| 国产精品自产拍在线观看55亚洲 | 久久人妻福利社区极品人妻图片| 真人做人爱边吃奶动态| 国产欧美亚洲国产| 久久青草综合色| 一区二区日韩欧美中文字幕| 久久久国产一区二区| 韩国精品一区二区三区| 嫁个100分男人电影在线观看| 两性午夜刺激爽爽歪歪视频在线观看 | 国产有黄有色有爽视频| 午夜日韩欧美国产| 国产一区二区激情短视频| 久热爱精品视频在线9| 99国产精品免费福利视频| 国产精品 欧美亚洲| 人人妻,人人澡人人爽秒播| 青草久久国产| 国产视频一区二区在线看| 男女免费视频国产| 热99国产精品久久久久久7| 成人免费观看视频高清| 我的亚洲天堂| 高清视频免费观看一区二区| 正在播放国产对白刺激| 日韩欧美一区视频在线观看| 亚洲国产中文字幕在线视频| 美女午夜性视频免费| 日本撒尿小便嘘嘘汇集6| 国产精品久久久久久精品古装| 1024视频免费在线观看| 少妇 在线观看| 满18在线观看网站| 免费在线观看视频国产中文字幕亚洲| 俄罗斯特黄特色一大片| 女人爽到高潮嗷嗷叫在线视频| 国产一区二区激情短视频| 人人澡人人妻人| 两个人免费观看高清视频| 久久久久国产一级毛片高清牌| av线在线观看网站| 美女 人体艺术 gogo| 美女视频免费永久观看网站| 波多野结衣一区麻豆| 午夜两性在线视频| 黄片大片在线免费观看| 在线观看免费视频日本深夜| 最新的欧美精品一区二区| 久久久久国产精品人妻aⅴ院 | 国产亚洲av高清不卡| 在线看a的网站| 黑人操中国人逼视频| 日韩三级视频一区二区三区| 免费在线观看日本一区| 国产欧美日韩精品亚洲av| 国产aⅴ精品一区二区三区波| 日韩欧美一区视频在线观看| 丰满人妻熟妇乱又伦精品不卡| 天天影视国产精品| 一级片'在线观看视频| tube8黄色片| 免费不卡黄色视频| 亚洲美女黄片视频| 两人在一起打扑克的视频| www.自偷自拍.com| 日本vs欧美在线观看视频| 欧美+亚洲+日韩+国产| 久99久视频精品免费| 999久久久精品免费观看国产| 高清毛片免费观看视频网站 | 日韩欧美国产一区二区入口| 亚洲欧美激情综合另类| 男女午夜视频在线观看| 十分钟在线观看高清视频www| www.自偷自拍.com| 免费不卡黄色视频| 涩涩av久久男人的天堂| 可以免费在线观看a视频的电影网站| 亚洲精品在线观看二区| 十分钟在线观看高清视频www| 99国产极品粉嫩在线观看| 欧美日韩视频精品一区| 成人av一区二区三区在线看| 国产欧美日韩综合在线一区二区| 丝瓜视频免费看黄片| 欧美精品一区二区免费开放| 每晚都被弄得嗷嗷叫到高潮| 18禁黄网站禁片午夜丰满| 18禁观看日本| 日本vs欧美在线观看视频| 亚洲精品在线观看二区| 女人被狂操c到高潮| 午夜福利视频在线观看免费| 欧美成人免费av一区二区三区 | 亚洲性夜色夜夜综合| 一级毛片精品| 亚洲av电影在线进入| 色播在线永久视频| 黄色视频,在线免费观看| 9191精品国产免费久久| 欧美日韩亚洲综合一区二区三区_| 欧美日韩国产mv在线观看视频| 国产精品自产拍在线观看55亚洲 | 免费看十八禁软件| 国产亚洲一区二区精品| 亚洲五月婷婷丁香| 一进一出抽搐gif免费好疼 | 一区二区三区国产精品乱码| 国产一区二区三区在线臀色熟女 | 精品亚洲成a人片在线观看| 日本撒尿小便嘘嘘汇集6| 免费看a级黄色片| 亚洲免费av在线视频| 99国产极品粉嫩在线观看| 日韩一卡2卡3卡4卡2021年| 人人妻,人人澡人人爽秒播| 操出白浆在线播放| 极品少妇高潮喷水抽搐| 国产精品亚洲av一区麻豆| 亚洲美女黄片视频| 熟女少妇亚洲综合色aaa.| 国产高清激情床上av| 成人18禁在线播放| 国产精品二区激情视频| 成人精品一区二区免费| 欧美日韩乱码在线| 曰老女人黄片| 一级,二级,三级黄色视频| 久久香蕉精品热| 中文欧美无线码| 欧美亚洲日本最大视频资源| 日本一区二区免费在线视频| 午夜影院日韩av| 欧美一级毛片孕妇| 国产精品国产av在线观看| 久久热在线av| 黄色视频不卡| 9191精品国产免费久久| 狠狠狠狠99中文字幕| 757午夜福利合集在线观看| 啪啪无遮挡十八禁网站| 丰满饥渴人妻一区二区三| 国产av又大| 身体一侧抽搐| 日本vs欧美在线观看视频| 天天躁狠狠躁夜夜躁狠狠躁| 欧美中文综合在线视频| 亚洲,欧美精品.| 人妻丰满熟妇av一区二区三区 | 精品第一国产精品| 亚洲熟妇熟女久久| 在线观看舔阴道视频| 18禁美女被吸乳视频| 下体分泌物呈黄色| 欧美精品一区二区免费开放| 丝瓜视频免费看黄片| 在线av久久热| 久久精品aⅴ一区二区三区四区| 高清在线国产一区| 在线天堂中文资源库| 99久久99久久久精品蜜桃| 免费女性裸体啪啪无遮挡网站| 在线十欧美十亚洲十日本专区| 啪啪无遮挡十八禁网站| 国产亚洲av高清不卡| 欧美色视频一区免费| 日韩欧美国产一区二区入口| 成人三级做爰电影| 18禁国产床啪视频网站| 日日夜夜操网爽| 极品教师在线免费播放| 美女国产高潮福利片在线看| 久久精品亚洲av国产电影网| 日韩欧美国产一区二区入口| 成人三级做爰电影| 免费在线观看完整版高清| 日日摸夜夜添夜夜添小说| 99国产综合亚洲精品| 女性被躁到高潮视频| 这个男人来自地球电影免费观看| ponron亚洲| 久久久久久亚洲精品国产蜜桃av| 国产精品香港三级国产av潘金莲| 人人澡人人妻人| 色94色欧美一区二区| 97人妻天天添夜夜摸| 亚洲av日韩在线播放| 亚洲专区国产一区二区| 99精品久久久久人妻精品| 涩涩av久久男人的天堂| 免费av中文字幕在线| 99re6热这里在线精品视频| 精品高清国产在线一区| 69av精品久久久久久| 亚洲成人免费电影在线观看| 日本一区二区免费在线视频| 日本欧美视频一区| 精品第一国产精品| 国产精品自产拍在线观看55亚洲 | 久久久国产成人免费| 精品人妻1区二区| 免费久久久久久久精品成人欧美视频| 99国产精品免费福利视频| 亚洲午夜理论影院| a级毛片在线看网站| 老司机靠b影院| aaaaa片日本免费| av欧美777| 久久人人爽av亚洲精品天堂| 国产成人精品在线电影| 成年版毛片免费区| 国产欧美日韩一区二区精品| 亚洲国产精品sss在线观看 | 好看av亚洲va欧美ⅴa在| 欧美在线一区亚洲| 少妇粗大呻吟视频| 久久精品国产99精品国产亚洲性色 | 黑人猛操日本美女一级片| 日本黄色日本黄色录像| 欧美性长视频在线观看| 十八禁人妻一区二区| 久久久久久久国产电影| 亚洲综合色网址| 日韩欧美三级三区| 亚洲一区二区三区不卡视频| 1024视频免费在线观看| 黑人巨大精品欧美一区二区蜜桃| www.精华液| 欧美日本中文国产一区发布| 免费在线观看视频国产中文字幕亚洲| 一区二区三区精品91| 婷婷精品国产亚洲av在线 | 亚洲精品美女久久av网站| 亚洲专区字幕在线| 桃红色精品国产亚洲av| 免费看a级黄色片| 黄色丝袜av网址大全| 视频区欧美日本亚洲| 手机成人av网站| 午夜精品久久久久久毛片777| 亚洲美女黄片视频| 亚洲情色 制服丝袜| 亚洲性夜色夜夜综合| 久久国产精品影院| 精品久久久久久电影网| 精品国产美女av久久久久小说| 中文字幕高清在线视频| 亚洲国产欧美一区二区综合| 久久人人97超碰香蕉20202| 一级片'在线观看视频| 国产欧美日韩精品亚洲av| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美日韩一级在线毛片| 国产淫语在线视频| 欧美最黄视频在线播放免费 | 亚洲熟女精品中文字幕| 亚洲第一av免费看| 脱女人内裤的视频| 交换朋友夫妻互换小说| 国产精品综合久久久久久久免费 | 亚洲黑人精品在线| 亚洲专区中文字幕在线| 亚洲精品国产一区二区精华液| 亚洲熟妇熟女久久| 老熟妇乱子伦视频在线观看| 久99久视频精品免费| 在线观看免费视频网站a站| 中文字幕av电影在线播放| 国产成人精品无人区| 亚洲中文字幕日韩| 国产亚洲欧美98| 日韩欧美三级三区| 欧美 亚洲 国产 日韩一| 中文欧美无线码| 欧美精品高潮呻吟av久久| 午夜免费鲁丝| 亚洲aⅴ乱码一区二区在线播放 | 免费av中文字幕在线| 欧美日韩中文字幕国产精品一区二区三区 | 一级,二级,三级黄色视频| 亚洲 国产 在线| www.熟女人妻精品国产| 午夜福利免费观看在线| 黄色成人免费大全| 国产成人免费观看mmmm| 午夜福利,免费看| 超碰成人久久| av福利片在线| 久久狼人影院| 亚洲中文日韩欧美视频| 一边摸一边抽搐一进一小说 | 国产人伦9x9x在线观看| 香蕉丝袜av| 久久婷婷成人综合色麻豆| 99久久综合精品五月天人人| 欧美激情极品国产一区二区三区| 国产精品99久久99久久久不卡| 精品无人区乱码1区二区| 国产精品国产av在线观看| 搡老熟女国产l中国老女人| 桃红色精品国产亚洲av| 免费少妇av软件| 日日摸夜夜添夜夜添小说| 国产精品久久视频播放| 亚洲少妇的诱惑av| 欧美久久黑人一区二区| 满18在线观看网站| www.自偷自拍.com| 成人18禁高潮啪啪吃奶动态图| 男女之事视频高清在线观看| 欧美日韩亚洲高清精品| 高清在线国产一区| 中文字幕另类日韩欧美亚洲嫩草| 午夜激情av网站| 国产成人免费观看mmmm| 捣出白浆h1v1| 一级a爱视频在线免费观看| 两人在一起打扑克的视频| 天堂动漫精品| 水蜜桃什么品种好| 极品人妻少妇av视频| 人妻一区二区av| 热99国产精品久久久久久7| 69精品国产乱码久久久| 亚洲精品久久成人aⅴ小说| 精品国产国语对白av| 午夜精品在线福利| 国产高清激情床上av| 咕卡用的链子| tocl精华| av视频免费观看在线观看| 亚洲专区字幕在线| 日韩有码中文字幕| 宅男免费午夜| 欧美 亚洲 国产 日韩一| 日本一区二区免费在线视频| a级片在线免费高清观看视频| 国产免费男女视频| 日本一区二区免费在线视频| 亚洲第一青青草原| 欧美激情久久久久久爽电影 | 中文字幕人妻熟女乱码| 欧美精品高潮呻吟av久久| 亚洲色图综合在线观看| 最近最新免费中文字幕在线| 日韩成人在线观看一区二区三区| 国产99久久九九免费精品| 午夜福利在线观看吧|