• <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)

    午夜视频国产福利| 国产精品国产高清国产av| 午夜日韩欧美国产| 成人一区二区视频在线观看| 成人高潮视频无遮挡免费网站| 变态另类成人亚洲欧美熟女| 最好的美女福利视频网| 亚洲18禁久久av| 国内毛片毛片毛片毛片毛片| 欧美成狂野欧美在线观看| 国产69精品久久久久777片| 亚洲第一电影网av| 中文资源天堂在线| 身体一侧抽搐| 亚洲av.av天堂| 亚洲熟妇熟女久久| 午夜老司机福利剧场| 51国产日韩欧美| 精品日产1卡2卡| 国内精品久久久久精免费| 亚洲一区二区三区不卡视频| 一区二区三区高清视频在线| 丰满人妻一区二区三区视频av| 午夜福利免费观看在线| 给我免费播放毛片高清在线观看| 成年女人毛片免费观看观看9| 精品久久久久久成人av| 免费人成在线观看视频色| 国产精品久久久久久久电影| 五月伊人婷婷丁香| 99在线人妻在线中文字幕| 天堂动漫精品| 久久精品国产亚洲av香蕉五月| 国产精品爽爽va在线观看网站| 欧美一区二区国产精品久久精品| 亚洲成av人片免费观看| 一级av片app| 国产精品久久电影中文字幕| 国产精品乱码一区二三区的特点| 悠悠久久av| 国产不卡一卡二| 国产欧美日韩精品亚洲av| 国产精品精品国产色婷婷| 一夜夜www| 男人的好看免费观看在线视频| 亚洲久久久久久中文字幕| 亚洲第一电影网av| 一本综合久久免费| 嫩草影视91久久| 久久99热这里只有精品18| 亚洲自拍偷在线| 国产一级毛片七仙女欲春2| 无人区码免费观看不卡| 我的女老师完整版在线观看| 久久精品久久久久久噜噜老黄 | 永久网站在线| 精品福利观看| 一个人看视频在线观看www免费| 波多野结衣巨乳人妻| 欧美乱色亚洲激情| 欧美绝顶高潮抽搐喷水| 99精品在免费线老司机午夜| 又爽又黄a免费视频| 精品人妻一区二区三区麻豆 | 日本 欧美在线| 亚洲性夜色夜夜综合| www.www免费av| 久久99热6这里只有精品| 天堂网av新在线| 欧美+日韩+精品| 熟女电影av网| 婷婷色综合大香蕉| 少妇裸体淫交视频免费看高清| 久久久久九九精品影院| 免费观看人在逋| 美女xxoo啪啪120秒动态图 | 网址你懂的国产日韩在线| 看免费av毛片| 美女高潮喷水抽搐中文字幕| 国产探花极品一区二区| 中文字幕免费在线视频6| 1024手机看黄色片| 国产亚洲精品久久久com| 久久性视频一级片| 国产亚洲精品久久久com| 超碰av人人做人人爽久久| 深爱激情五月婷婷| 欧美日韩乱码在线| 我要搜黄色片| 51午夜福利影视在线观看| 午夜亚洲福利在线播放| 免费人成视频x8x8入口观看| 最近最新免费中文字幕在线| 中出人妻视频一区二区| 天堂影院成人在线观看| 网址你懂的国产日韩在线| 免费看a级黄色片| 亚洲精品粉嫩美女一区| 夜夜爽天天搞| 校园春色视频在线观看| 国产精品国产高清国产av| 国产三级中文精品| 久久久久久久午夜电影| 无人区码免费观看不卡| 国产熟女xx| 老熟妇仑乱视频hdxx| 国产精品一及| 国产成人影院久久av| 精品日产1卡2卡| 高潮久久久久久久久久久不卡| 精品福利观看| 国产主播在线观看一区二区| 久久6这里有精品| 国产日本99.免费观看| 淫妇啪啪啪对白视频| 国产精品98久久久久久宅男小说| 日本 av在线| 69人妻影院| 久久久久性生活片| 看片在线看免费视频| 国产免费一级a男人的天堂| 亚洲av.av天堂| 老鸭窝网址在线观看| 成年女人毛片免费观看观看9| 午夜日韩欧美国产| 午夜福利18| 我要看日韩黄色一级片| 丰满人妻熟妇乱又伦精品不卡| 九九在线视频观看精品| 国产一区二区三区在线臀色熟女| 欧美另类亚洲清纯唯美| 亚洲成人久久性| 午夜福利免费观看在线| 日本在线视频免费播放| 日韩人妻高清精品专区| 夜夜爽天天搞| 中文字幕av在线有码专区| 深夜a级毛片| 老鸭窝网址在线观看| 九色国产91popny在线| 日韩欧美 国产精品| 亚洲狠狠婷婷综合久久图片| 高清在线国产一区| 又粗又爽又猛毛片免费看| 欧美黄色片欧美黄色片| 日韩亚洲欧美综合| 看免费av毛片| 91久久精品电影网| 麻豆国产97在线/欧美| 欧美乱妇无乱码| 国产综合懂色| 亚洲电影在线观看av| 村上凉子中文字幕在线| 美女xxoo啪啪120秒动态图 | 成人av一区二区三区在线看| 婷婷六月久久综合丁香| 日本 欧美在线| 国产精品久久电影中文字幕| 熟女电影av网| 床上黄色一级片| 1024手机看黄色片| av专区在线播放| 身体一侧抽搐| 极品教师在线免费播放| 又爽又黄a免费视频| 欧美一区二区精品小视频在线| 国产黄a三级三级三级人| 男人和女人高潮做爰伦理| 最近最新中文字幕大全电影3| 欧美日韩综合久久久久久 | 夜夜躁狠狠躁天天躁| 国产精品久久久久久久久免 | 免费看a级黄色片| 天堂动漫精品| 国产精品美女特级片免费视频播放器| 精品人妻一区二区三区麻豆 | 国产成人福利小说| 午夜激情福利司机影院| 国产精品99久久久久久久久| 亚洲欧美日韩无卡精品| 欧美色欧美亚洲另类二区| 国产午夜精品论理片| 搡女人真爽免费视频火全软件 | 亚洲精品456在线播放app | 又紧又爽又黄一区二区| 美女黄网站色视频| 桃红色精品国产亚洲av| 欧美+日韩+精品| 欧美bdsm另类| 99riav亚洲国产免费| 午夜久久久久精精品| 国产精品亚洲一级av第二区| 亚州av有码| 午夜精品久久久久久毛片777| 成人欧美大片| 亚洲乱码一区二区免费版| 少妇裸体淫交视频免费看高清| 国产v大片淫在线免费观看| 日韩精品中文字幕看吧| 亚洲av免费在线观看| 麻豆国产av国片精品| 午夜久久久久精精品| 搡老熟女国产l中国老女人| 真人做人爱边吃奶动态| 亚洲欧美日韩高清在线视频| 中文字幕高清在线视频| 日本熟妇午夜| 婷婷精品国产亚洲av| 久久香蕉精品热| 神马国产精品三级电影在线观看| 国产高清视频在线播放一区| 大型黄色视频在线免费观看| 丁香欧美五月| 国产黄a三级三级三级人| 日本 欧美在线| 99久久精品国产亚洲精品| 国产成人a区在线观看| 看片在线看免费视频| 亚洲精品一卡2卡三卡4卡5卡| 一进一出抽搐gif免费好疼| 少妇丰满av| 深夜精品福利| 亚洲性夜色夜夜综合| 久9热在线精品视频| 国产 一区 欧美 日韩| 亚洲第一区二区三区不卡| 欧美黄色片欧美黄色片| 久久久色成人| 国产精品98久久久久久宅男小说| 国产精品,欧美在线| 好男人在线观看高清免费视频| 国产在线男女| 欧美在线黄色| 中亚洲国语对白在线视频| 国产 一区 欧美 日韩| 国产爱豆传媒在线观看| 亚洲最大成人av| 老司机午夜福利在线观看视频| 白带黄色成豆腐渣| 久久99热这里只有精品18| 欧美成狂野欧美在线观看| 中文字幕av在线有码专区| 少妇人妻一区二区三区视频| 免费搜索国产男女视频| 国产综合懂色| 午夜福利高清视频| 乱人视频在线观看| 亚洲第一电影网av| 此物有八面人人有两片| 成人午夜高清在线视频| 亚洲欧美日韩高清在线视频| 村上凉子中文字幕在线| 毛片一级片免费看久久久久 | 亚洲精品影视一区二区三区av| 国产大屁股一区二区在线视频| 成人av一区二区三区在线看| av视频在线观看入口| 黄色丝袜av网址大全| 午夜福利在线观看免费完整高清在 | 欧美不卡视频在线免费观看| 宅男免费午夜| 国产亚洲欧美98| 国产精品亚洲美女久久久| 免费av毛片视频| 女人被狂操c到高潮| 婷婷亚洲欧美| 欧美精品国产亚洲| 国产69精品久久久久777片| 亚洲经典国产精华液单 | 成人性生交大片免费视频hd| 内射极品少妇av片p| 国产主播在线观看一区二区| 一个人观看的视频www高清免费观看| 午夜福利成人在线免费观看| 夜夜看夜夜爽夜夜摸| 精品久久国产蜜桃| 一级黄片播放器| 欧美最黄视频在线播放免费| 国产精品久久久久久久电影| 亚洲国产精品999在线| 久久亚洲精品不卡| 高清日韩中文字幕在线| 久久久久久久久大av| 嫩草影院新地址| 无人区码免费观看不卡| 免费观看精品视频网站| 精品一区二区三区视频在线观看免费| 免费av毛片视频| 欧美在线一区亚洲| 日本黄色片子视频| 欧美一级a爱片免费观看看| 亚洲专区国产一区二区| 精品人妻视频免费看| 亚洲无线在线观看| 国产高清有码在线观看视频| 首页视频小说图片口味搜索| 级片在线观看| 在线十欧美十亚洲十日本专区| 久久久久久久久大av| 精品人妻熟女av久视频| 好看av亚洲va欧美ⅴa在| 少妇高潮的动态图| 90打野战视频偷拍视频| 亚洲美女搞黄在线观看 | 嫁个100分男人电影在线观看| 国产欧美日韩精品一区二区| 国产一区二区在线观看日韩| 国产精品嫩草影院av在线观看 | 亚洲av成人精品一区久久| 亚洲av成人不卡在线观看播放网| 免费看美女性在线毛片视频| av黄色大香蕉| 色在线成人网| 成年人黄色毛片网站| 中文资源天堂在线| 欧美黄色片欧美黄色片| 99久国产av精品| 亚洲一区二区三区色噜噜| 日韩欧美三级三区| 51国产日韩欧美| 757午夜福利合集在线观看| 最近视频中文字幕2019在线8| 可以在线观看毛片的网站| 黄片小视频在线播放| 亚洲国产精品久久男人天堂| 日本 av在线| 欧美成人免费av一区二区三区| 亚洲美女黄片视频| 免费在线观看成人毛片| 人人妻,人人澡人人爽秒播| 麻豆国产av国片精品| 成年女人看的毛片在线观看| 禁无遮挡网站| 动漫黄色视频在线观看| 国产亚洲精品久久久com| 在线观看免费视频日本深夜| 亚洲精品久久国产高清桃花| 欧美区成人在线视频| 免费搜索国产男女视频| 欧美最新免费一区二区三区 | 国产精品电影一区二区三区| АⅤ资源中文在线天堂| 日韩大尺度精品在线看网址| 国产国拍精品亚洲av在线观看| 久久国产精品人妻蜜桃| 国产高清视频在线观看网站| 成人美女网站在线观看视频| 亚洲熟妇熟女久久| 天堂av国产一区二区熟女人妻| 波多野结衣高清作品| 久久久久久久亚洲中文字幕 | 9191精品国产免费久久| 欧美一区二区亚洲| 久久久久久久久久成人| 最近中文字幕高清免费大全6 | 久久国产精品影院| 一边摸一边抽搐一进一小说| 亚洲成人免费电影在线观看| 给我免费播放毛片高清在线观看| 亚洲成人久久性| 精品一区二区三区视频在线| 成人毛片a级毛片在线播放| 好男人在线观看高清免费视频| 999久久久精品免费观看国产| 国产精华一区二区三区| 国产一级毛片七仙女欲春2| 亚洲最大成人手机在线| 12—13女人毛片做爰片一| 成年人黄色毛片网站| 欧美日韩黄片免| 毛片女人毛片| 日韩欧美 国产精品| 一级作爱视频免费观看| 欧美+亚洲+日韩+国产| 热99re8久久精品国产| 国产爱豆传媒在线观看| 国内精品久久久久久久电影| 午夜免费成人在线视频| 亚洲第一欧美日韩一区二区三区| 亚洲片人在线观看| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 97超级碰碰碰精品色视频在线观看| 日韩欧美国产一区二区入口| 久久久国产成人精品二区| 91av网一区二区| 色av中文字幕| 久久这里只有精品中国| 老女人水多毛片| 亚洲精品色激情综合| 国产在线精品亚洲第一网站| 色哟哟·www| 国产精品野战在线观看| or卡值多少钱| 亚洲欧美日韩东京热| 久久久久久久精品吃奶| 在线观看免费视频日本深夜| 1024手机看黄色片| 久久欧美精品欧美久久欧美| 亚洲精品456在线播放app | 亚洲黑人精品在线| 在线天堂最新版资源| 久久久色成人| 久久欧美精品欧美久久欧美| 亚洲第一欧美日韩一区二区三区| 黄色女人牲交| 人妻丰满熟妇av一区二区三区| 久久人人爽人人爽人人片va | 88av欧美| 成人欧美大片| 欧美一区二区亚洲| 激情在线观看视频在线高清| 日韩欧美精品免费久久 | 色视频www国产| 深夜a级毛片| 亚洲人成网站在线播| 久久99热这里只有精品18| 国产又黄又爽又无遮挡在线| 国产一区二区在线av高清观看| 色综合婷婷激情| 在线观看美女被高潮喷水网站 | 欧美性猛交╳xxx乱大交人| 色5月婷婷丁香| 狠狠狠狠99中文字幕| 亚洲av二区三区四区| 桃红色精品国产亚洲av| 精品人妻偷拍中文字幕| 欧美丝袜亚洲另类 | 51午夜福利影视在线观看| 伦理电影大哥的女人| 日韩高清综合在线| 国产爱豆传媒在线观看| 又爽又黄无遮挡网站| 国内揄拍国产精品人妻在线| 国产成人a区在线观看| 天堂√8在线中文| 99精品在免费线老司机午夜| 美女xxoo啪啪120秒动态图 | 国产成人aa在线观看| 最好的美女福利视频网| 亚洲精品乱码久久久v下载方式| 免费电影在线观看免费观看| 可以在线观看毛片的网站| 听说在线观看完整版免费高清| 日本熟妇午夜| 久久久久九九精品影院| 91午夜精品亚洲一区二区三区 | 成人高潮视频无遮挡免费网站| 中亚洲国语对白在线视频| 午夜福利在线观看免费完整高清在 | 国语自产精品视频在线第100页| 午夜福利在线观看吧| 欧美三级亚洲精品| 午夜激情福利司机影院| 少妇丰满av| 国产色爽女视频免费观看| 99在线人妻在线中文字幕| 国产精品不卡视频一区二区 | 亚洲av不卡在线观看| av国产免费在线观看| 欧美另类亚洲清纯唯美| 亚洲精品色激情综合| 亚洲中文日韩欧美视频| 亚洲aⅴ乱码一区二区在线播放| 欧美日韩综合久久久久久 | 欧美3d第一页| 久久久久久久久大av| 日日夜夜操网爽| 乱人视频在线观看| 黄色日韩在线| 真人一进一出gif抽搐免费| 欧美日本亚洲视频在线播放| 亚洲不卡免费看| 精品久久久久久久久亚洲 | 999久久久精品免费观看国产| 午夜激情福利司机影院| 国内揄拍国产精品人妻在线| 成熟少妇高潮喷水视频| 国产真实伦视频高清在线观看 | 国产精品嫩草影院av在线观看 | 久久久国产成人免费| 99国产精品一区二区三区| 一区二区三区四区激情视频 | 国产中年淑女户外野战色| 一级a爱片免费观看的视频| 亚洲精品乱码久久久v下载方式| 亚洲国产欧洲综合997久久,| 99久久精品一区二区三区| 性色av乱码一区二区三区2| 又紧又爽又黄一区二区| 午夜激情欧美在线| 3wmmmm亚洲av在线观看| 99热这里只有是精品50| 我要看日韩黄色一级片| 婷婷亚洲欧美| 成人av在线播放网站| 日韩欧美精品v在线| 亚洲avbb在线观看| www.999成人在线观看| 91九色精品人成在线观看| 精品久久久久久久末码| ponron亚洲| 又爽又黄无遮挡网站| 91麻豆精品激情在线观看国产| 看免费av毛片| 一个人免费在线观看电影| 麻豆成人av在线观看| 亚洲成人久久爱视频| 亚洲乱码一区二区免费版| 级片在线观看| 舔av片在线| 国产黄片美女视频| 一本久久中文字幕| 91久久精品电影网| 欧美另类亚洲清纯唯美| 深夜精品福利| 搞女人的毛片| 男插女下体视频免费在线播放| av天堂在线播放| 99久国产av精品| 十八禁网站免费在线| 国产伦在线观看视频一区| 国产精品久久视频播放| 亚洲av成人不卡在线观看播放网| 直男gayav资源| 久久精品综合一区二区三区| 黄色日韩在线| 99热6这里只有精品| 精品一区二区免费观看| netflix在线观看网站| 亚洲五月天丁香| 精品人妻偷拍中文字幕| 日本三级黄在线观看| 丰满乱子伦码专区| 三级男女做爰猛烈吃奶摸视频| 亚洲成人久久爱视频| 亚洲片人在线观看| 中文字幕高清在线视频| 久久久久国内视频| 精品人妻1区二区| 别揉我奶头 嗯啊视频| 久久久久久久午夜电影| 在线观看66精品国产| 国产成人av教育| 色综合亚洲欧美另类图片| 99久久99久久久精品蜜桃| 性色avwww在线观看| 欧美日本亚洲视频在线播放| 日本一本二区三区精品| 最近中文字幕高清免费大全6 | 97碰自拍视频| 又爽又黄a免费视频| 极品教师在线免费播放| 成年女人看的毛片在线观看| 99久国产av精品| 亚洲熟妇熟女久久| 国语自产精品视频在线第100页| 热99re8久久精品国产| 欧美午夜高清在线| 国产成+人综合+亚洲专区| 国产精华一区二区三区| 亚洲精品成人久久久久久| 亚洲三级黄色毛片| 丝袜美腿在线中文| 日韩人妻高清精品专区| 99久久成人亚洲精品观看| 极品教师在线免费播放| 亚洲中文字幕一区二区三区有码在线看| 性欧美人与动物交配| 欧美黑人欧美精品刺激| 黄色一级大片看看| 午夜激情福利司机影院| 色综合亚洲欧美另类图片| 久久久久免费精品人妻一区二区| 欧美成狂野欧美在线观看| 少妇被粗大猛烈的视频| 真人做人爱边吃奶动态| 日韩高清综合在线| 久久国产乱子免费精品| 国产av麻豆久久久久久久| 中国美女看黄片| 国产av在哪里看| 久久久精品大字幕| 欧美zozozo另类| 此物有八面人人有两片| 国产高清三级在线| 欧美激情在线99| 久久欧美精品欧美久久欧美| 国产高清三级在线| 欧美zozozo另类| 动漫黄色视频在线观看| 国产v大片淫在线免费观看| 哪里可以看免费的av片| 变态另类成人亚洲欧美熟女| 国产精品亚洲av一区麻豆| 国产黄a三级三级三级人| 一级黄色大片毛片| 亚洲精品456在线播放app | 三级毛片av免费| 亚洲,欧美精品.| 国产精品一区二区三区四区免费观看 | 99在线人妻在线中文字幕| .国产精品久久| 日本黄色片子视频| 变态另类丝袜制服| 久久国产精品影院| 国产v大片淫在线免费观看| 成人特级av手机在线观看| 亚洲人成网站在线播放欧美日韩| 极品教师在线视频| 淫秽高清视频在线观看| 999久久久精品免费观看国产| 国产成人啪精品午夜网站| 美女xxoo啪啪120秒动态图 | 蜜桃亚洲精品一区二区三区| 国产三级黄色录像|