• <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)

    日本91视频免费播放| 成年美女黄网站色视频大全免费| 亚洲人成电影免费在线| 黄片播放在线免费| 久久精品亚洲熟妇少妇任你| 天天躁夜夜躁狠狠躁躁| videosex国产| 18禁黄网站禁片午夜丰满| 亚洲av电影在线观看一区二区三区| 老司机在亚洲福利影院| 国产精品国产av在线观看| 亚洲七黄色美女视频| 亚洲av男天堂| 精品国产国语对白av| 妹子高潮喷水视频| 久久久久精品人妻al黑| 美女主播在线视频| 黄片播放在线免费| 激情视频va一区二区三区| 精品人妻在线不人妻| 满18在线观看网站| 久久久久视频综合| 在线 av 中文字幕| 美女中出高潮动态图| 日本a在线网址| 99久久精品国产亚洲精品| 高清不卡的av网站| 999久久久国产精品视频| www.999成人在线观看| 久久99精品国语久久久| 看免费av毛片| 老熟女久久久| 国产有黄有色有爽视频| 777米奇影视久久| av电影中文网址| av天堂在线播放| 亚洲中文av在线| 国产熟女午夜一区二区三区| 国产av国产精品国产| 黄色 视频免费看| 深夜精品福利| 中文字幕人妻熟女乱码| av国产精品久久久久影院| 久久久久久免费高清国产稀缺| 免费看不卡的av| 久久久亚洲精品成人影院| 2018国产大陆天天弄谢| 2021少妇久久久久久久久久久| 午夜福利视频在线观看免费| 午夜福利免费观看在线| 老鸭窝网址在线观看| xxx大片免费视频| www.熟女人妻精品国产| 精品福利观看| 国产一卡二卡三卡精品| 国产一区二区三区av在线| 久久影院123| 欧美成人午夜精品| 亚洲精品美女久久久久99蜜臀 | 超碰成人久久| 欧美黑人精品巨大| 免费看十八禁软件| 制服人妻中文乱码| 国产精品国产三级国产专区5o| 男人添女人高潮全过程视频| 在线观看免费日韩欧美大片| 国产99久久九九免费精品| 老司机靠b影院| 91精品三级在线观看| 亚洲色图 男人天堂 中文字幕| 9色porny在线观看| 国产无遮挡羞羞视频在线观看| 99re6热这里在线精品视频| 亚洲色图 男人天堂 中文字幕| 精品少妇久久久久久888优播| 悠悠久久av| 看免费成人av毛片| 少妇人妻 视频| 国产在线观看jvid| 中文字幕人妻丝袜制服| 大片电影免费在线观看免费| 亚洲三区欧美一区| 免费在线观看完整版高清| 大香蕉久久成人网| 亚洲成人手机| 国产免费又黄又爽又色| 高清黄色对白视频在线免费看| 熟女少妇亚洲综合色aaa.| 亚洲欧美精品综合一区二区三区| 日韩精品免费视频一区二区三区| 欧美日韩成人在线一区二区| 王馨瑶露胸无遮挡在线观看| 一区福利在线观看| 欧美日韩视频精品一区| 人妻人人澡人人爽人人| 少妇被粗大的猛进出69影院| 免费人妻精品一区二区三区视频| 亚洲国产欧美网| 涩涩av久久男人的天堂| 欧美在线一区亚洲| 午夜免费鲁丝| 新久久久久国产一级毛片| 国产亚洲精品久久久久5区| 777米奇影视久久| 亚洲精品一卡2卡三卡4卡5卡 | 岛国毛片在线播放| 极品人妻少妇av视频| 婷婷色综合www| 久久精品熟女亚洲av麻豆精品| 美女大奶头黄色视频| 男女高潮啪啪啪动态图| 亚洲国产精品成人久久小说| 自线自在国产av| tube8黄色片| 91麻豆精品激情在线观看国产 | 亚洲国产精品国产精品| 啦啦啦 在线观看视频| 日本av免费视频播放| 高清av免费在线| 丰满少妇做爰视频| 国产欧美日韩一区二区三区在线| 亚洲第一青青草原| 婷婷色麻豆天堂久久| 一级毛片电影观看| 国产精品熟女久久久久浪| 国产亚洲精品第一综合不卡| 人体艺术视频欧美日本| 日韩伦理黄色片| 日日夜夜操网爽| 国产精品一二三区在线看| 精品人妻在线不人妻| 一级毛片黄色毛片免费观看视频| 大香蕉久久成人网| 欧美黄色淫秽网站| 久久影院123| 欧美人与性动交α欧美软件| 欧美成人精品欧美一级黄| 免费少妇av软件| 国产亚洲欧美在线一区二区| 久久性视频一级片| 两人在一起打扑克的视频| 午夜91福利影院| 天天躁夜夜躁狠狠躁躁| 国产欧美日韩精品亚洲av| 伊人亚洲综合成人网| 国产一区亚洲一区在线观看| 人妻人人澡人人爽人人| 91成人精品电影| 51午夜福利影视在线观看| 日韩大片免费观看网站| 亚洲av片天天在线观看| 男人舔女人的私密视频| 一二三四社区在线视频社区8| 亚洲精品自拍成人| 欧美国产精品一级二级三级| 99热全是精品| 亚洲,欧美精品.| 制服诱惑二区| 国产成人免费无遮挡视频| 久久久久久人人人人人| 国产三级黄色录像| 操美女的视频在线观看| 国精品久久久久久国模美| 午夜视频精品福利| 大香蕉久久网| 欧美成狂野欧美在线观看| 亚洲欧洲精品一区二区精品久久久| 狂野欧美激情性bbbbbb| 国产真人三级小视频在线观看| 欧美黑人欧美精品刺激| 波野结衣二区三区在线| 免费看十八禁软件| 各种免费的搞黄视频| 亚洲 欧美一区二区三区| 婷婷成人精品国产| 一本一本久久a久久精品综合妖精| 国产福利在线免费观看视频| 亚洲av国产av综合av卡| 性少妇av在线| 免费久久久久久久精品成人欧美视频| 最近手机中文字幕大全| 999精品在线视频| 欧美在线黄色| 午夜精品国产一区二区电影| 亚洲国产毛片av蜜桃av| 国产在线免费精品| 日本a在线网址| bbb黄色大片| 国产视频首页在线观看| 女人爽到高潮嗷嗷叫在线视频| 亚洲精品在线美女| 久久狼人影院| 人人妻人人澡人人爽人人夜夜| 色精品久久人妻99蜜桃| 日本vs欧美在线观看视频| av天堂久久9| 黄色视频在线播放观看不卡| 狠狠精品人妻久久久久久综合| 国产真人三级小视频在线观看| 国产精品av久久久久免费| 欧美日韩视频精品一区| 亚洲成人手机| 亚洲国产精品999| 91成人精品电影| 亚洲精品久久久久久婷婷小说| 中文字幕高清在线视频| a级片在线免费高清观看视频| 一区二区av电影网| 啦啦啦啦在线视频资源| 国产女主播在线喷水免费视频网站| 久久精品久久精品一区二区三区| 一区二区日韩欧美中文字幕| 七月丁香在线播放| 飞空精品影院首页| 大型av网站在线播放| av在线播放精品| 美女中出高潮动态图| 婷婷色综合大香蕉| 国产日韩欧美视频二区| 国产福利在线免费观看视频| 午夜91福利影院| 黄片小视频在线播放| 七月丁香在线播放| 国产一级毛片在线| 亚洲精品自拍成人| 高清欧美精品videossex| 男女床上黄色一级片免费看| 丰满人妻熟妇乱又伦精品不卡| 伊人久久大香线蕉亚洲五| 亚洲国产欧美一区二区综合| 中文字幕精品免费在线观看视频| 看十八女毛片水多多多| 校园人妻丝袜中文字幕| 日韩精品免费视频一区二区三区| 18禁黄网站禁片午夜丰满| 亚洲专区国产一区二区| 大话2 男鬼变身卡| 国产1区2区3区精品| 精品人妻在线不人妻| 日韩制服骚丝袜av| 国产高清视频在线播放一区 | 亚洲国产精品一区二区三区在线| 美女福利国产在线| 久久久欧美国产精品| 亚洲伊人久久精品综合| 蜜桃国产av成人99| 欧美日韩成人在线一区二区| 国产精品一区二区精品视频观看| 精品国产乱码久久久久久男人| 亚洲欧美日韩高清在线视频 | 一个人免费看片子| 亚洲人成电影免费在线| 性色av一级| 永久免费av网站大全| 91精品伊人久久大香线蕉| 1024香蕉在线观看| 国产男女内射视频| 波多野结衣av一区二区av| 国产精品一国产av| 亚洲一区中文字幕在线| 国产成人精品在线电影| 中国国产av一级| 国产在线观看jvid| 国产成人一区二区三区免费视频网站 | 91九色精品人成在线观看| 国产伦理片在线播放av一区| svipshipincom国产片| 女人高潮潮喷娇喘18禁视频| 亚洲欧洲国产日韩| 在线观看www视频免费| 日本a在线网址| 午夜福利视频精品| 九草在线视频观看| 中国国产av一级| 精品一区二区三卡| 国产精品亚洲av一区麻豆| 女人被躁到高潮嗷嗷叫费观| 香蕉国产在线看| 国产精品一区二区精品视频观看| 免费观看av网站的网址| 国语对白做爰xxxⅹ性视频网站| 日本黄色日本黄色录像| 精品第一国产精品| 国产精品久久久人人做人人爽| 国产精品亚洲av一区麻豆| 三上悠亚av全集在线观看| 1024视频免费在线观看| 97人妻天天添夜夜摸| 你懂的网址亚洲精品在线观看| 国产日韩一区二区三区精品不卡| 久久久欧美国产精品| 国产精品人妻久久久影院| 亚洲av成人不卡在线观看播放网 | 我的亚洲天堂| 久久亚洲国产成人精品v| 又粗又硬又长又爽又黄的视频| 久久人人97超碰香蕉20202| 国产精品偷伦视频观看了| 午夜激情av网站| 免费观看av网站的网址| 91九色精品人成在线观看| 成年人免费黄色播放视频| 亚洲精品国产色婷婷电影| 亚洲国产毛片av蜜桃av| 一本色道久久久久久精品综合| 成人国产一区最新在线观看 | 精品亚洲成国产av| 女警被强在线播放| 另类精品久久| 只有这里有精品99| 国产亚洲一区二区精品| 久久精品亚洲av国产电影网| 一区二区三区激情视频| 汤姆久久久久久久影院中文字幕| 亚洲欧美一区二区三区国产| 国产福利在线免费观看视频| 老司机影院成人| 国产有黄有色有爽视频| 国产在视频线精品| 国产精品二区激情视频| 亚洲欧美日韩高清在线视频 | 精品一品国产午夜福利视频| av网站在线播放免费| av在线老鸭窝| 中文字幕色久视频| 巨乳人妻的诱惑在线观看| av片东京热男人的天堂| 99久久人妻综合| 欧美日韩一级在线毛片| 亚洲国产成人一精品久久久| 日本午夜av视频| 妹子高潮喷水视频| 后天国语完整版免费观看| 精品少妇一区二区三区视频日本电影| 亚洲av国产av综合av卡| 亚洲三区欧美一区| 两性夫妻黄色片| 国产日韩欧美视频二区| 久久精品亚洲av国产电影网| 国产无遮挡羞羞视频在线观看| 亚洲人成电影观看| 午夜两性在线视频| 中文欧美无线码| 亚洲成人免费电影在线观看 | 亚洲av成人不卡在线观看播放网 | 精品国产国语对白av| 成人免费观看视频高清| 精品高清国产在线一区| 国产高清不卡午夜福利| 美国免费a级毛片| 大陆偷拍与自拍| 精品国产国语对白av| 亚洲成色77777| 国精品久久久久久国模美| 国产在线视频一区二区| 国产免费视频播放在线视频| 久久国产精品大桥未久av| 精品少妇内射三级| 丝袜美腿诱惑在线| 老司机深夜福利视频在线观看 | 精品欧美一区二区三区在线| 搡老岳熟女国产| 可以免费在线观看a视频的电影网站| 日本五十路高清| 操出白浆在线播放| 人人妻,人人澡人人爽秒播 | www.自偷自拍.com| 桃花免费在线播放| 国产免费又黄又爽又色| www.精华液| 精品人妻在线不人妻| 欧美国产精品一级二级三级| 久久亚洲国产成人精品v| 一本大道久久a久久精品| 久久精品人人爽人人爽视色| 女人爽到高潮嗷嗷叫在线视频| 人人妻人人澡人人爽人人夜夜| 国产日韩一区二区三区精品不卡| 在线亚洲精品国产二区图片欧美| www.av在线官网国产| 亚洲精品日韩在线中文字幕| 亚洲色图综合在线观看| 无遮挡黄片免费观看| cao死你这个sao货| 99久久99久久久精品蜜桃| 欧美激情极品国产一区二区三区| 热re99久久国产66热| 男女床上黄色一级片免费看| 久久青草综合色| 九草在线视频观看| 王馨瑶露胸无遮挡在线观看| 免费观看av网站的网址| 老司机在亚洲福利影院| 欧美日韩成人在线一区二区| 老司机靠b影院| 精品熟女少妇八av免费久了| 天堂俺去俺来也www色官网| 欧美精品人与动牲交sv欧美| 又黄又粗又硬又大视频| 90打野战视频偷拍视频| 日日爽夜夜爽网站| 尾随美女入室| 夫妻午夜视频| 新久久久久国产一级毛片| 免费观看a级毛片全部| 一边摸一边抽搐一进一出视频| 叶爱在线成人免费视频播放| 成人18禁高潮啪啪吃奶动态图| 亚洲国产毛片av蜜桃av| 亚洲精品久久久久久婷婷小说| 曰老女人黄片| 人体艺术视频欧美日本| 亚洲精品av麻豆狂野| 久久毛片免费看一区二区三区| 黄色片一级片一级黄色片| 午夜两性在线视频| 亚洲一卡2卡3卡4卡5卡精品中文| 自线自在国产av| 国产97色在线日韩免费| 精品一品国产午夜福利视频| 久久人人爽av亚洲精品天堂| 啦啦啦 在线观看视频| 99久久综合免费| 精品国产一区二区三区久久久樱花| 免费在线观看视频国产中文字幕亚洲 | 亚洲欧美精品自产自拍| 亚洲专区国产一区二区| 后天国语完整版免费观看| 男人舔女人的私密视频| 中文字幕色久视频| 久久久欧美国产精品| 国产片内射在线| 亚洲精品久久成人aⅴ小说| 成人手机av| 麻豆av在线久日| 91精品国产国语对白视频| 欧美黑人欧美精品刺激| 亚洲国产精品一区三区| 国产av一区二区精品久久| 日韩av免费高清视频| 国产真人三级小视频在线观看| 18禁裸乳无遮挡动漫免费视频| 午夜福利视频在线观看免费| 日韩大片免费观看网站| 狠狠精品人妻久久久久久综合| 亚洲精品久久久久久婷婷小说| 欧美日韩国产mv在线观看视频| 亚洲,欧美,日韩| 日韩熟女老妇一区二区性免费视频| 成人三级做爰电影| 国产成人系列免费观看| 少妇人妻久久综合中文| 国产一级毛片在线| 一区二区三区精品91| 亚洲精品成人av观看孕妇| 日本a在线网址| 中文字幕av电影在线播放| 另类亚洲欧美激情| 自拍欧美九色日韩亚洲蝌蚪91| videos熟女内射| 99香蕉大伊视频| 热99国产精品久久久久久7| av有码第一页| 亚洲情色 制服丝袜| 国产高清视频在线播放一区 | 色94色欧美一区二区| 精品第一国产精品| 18禁国产床啪视频网站| 男女国产视频网站| 午夜福利乱码中文字幕| 日韩av免费高清视频| 亚洲欧美色中文字幕在线| 亚洲色图 男人天堂 中文字幕| 日韩中文字幕欧美一区二区 | 日韩一区二区三区影片| 国产色视频综合| 国产高清视频在线播放一区 | 欧美大码av| 99re6热这里在线精品视频| 啦啦啦在线免费观看视频4| 亚洲精品美女久久久久99蜜臀 | 国产一区有黄有色的免费视频| 亚洲欧洲国产日韩| 亚洲成人免费电影在线观看 | 热99国产精品久久久久久7| 狠狠婷婷综合久久久久久88av| 啦啦啦视频在线资源免费观看| 赤兔流量卡办理| 成人国产av品久久久| 国产成人精品无人区| 王馨瑶露胸无遮挡在线观看| 18禁国产床啪视频网站| 少妇人妻久久综合中文| 欧美+亚洲+日韩+国产| 99热国产这里只有精品6| 国产精品久久久久久精品古装| 天天操日日干夜夜撸| 天天躁日日躁夜夜躁夜夜| 亚洲中文av在线| 日日爽夜夜爽网站| 国产精品二区激情视频| 国产精品免费大片| 国产日韩欧美亚洲二区| 人人妻人人澡人人看| 老司机靠b影院| 国产黄色免费在线视频| 九色亚洲精品在线播放| 久久久国产精品麻豆| e午夜精品久久久久久久| 亚洲成人免费电影在线观看 | xxxhd国产人妻xxx| 日本欧美视频一区| 日韩中文字幕视频在线看片| 国产亚洲精品第一综合不卡| 又大又黄又爽视频免费| 欧美成人精品欧美一级黄| av福利片在线| 亚洲国产欧美日韩在线播放| 婷婷色综合大香蕉| 男人舔女人的私密视频| 日本wwww免费看| 亚洲精品国产av蜜桃| 亚洲av男天堂| 免费在线观看完整版高清| 一区二区三区乱码不卡18| 汤姆久久久久久久影院中文字幕| 97在线人人人人妻| 丰满迷人的少妇在线观看| 午夜福利在线免费观看网站| 亚洲精品第二区| 国产一区二区在线观看av| 久热这里只有精品99| 美女福利国产在线| 成在线人永久免费视频| 侵犯人妻中文字幕一二三四区| 少妇人妻 视频| av视频免费观看在线观看| 热re99久久国产66热| 久久天躁狠狠躁夜夜2o2o | 99香蕉大伊视频| 精品亚洲成国产av| 亚洲精品国产一区二区精华液| 午夜免费观看性视频| 成年女人毛片免费观看观看9 | 亚洲视频免费观看视频| 爱豆传媒免费全集在线观看| 国产成人系列免费观看| av网站在线播放免费| 国产精品国产av在线观看| 夫妻午夜视频| 国产精品国产av在线观看| 久久综合国产亚洲精品| 成年人免费黄色播放视频| 精品高清国产在线一区| 肉色欧美久久久久久久蜜桃| 在现免费观看毛片| 日韩人妻精品一区2区三区| 久久久久国产精品人妻一区二区| 国产精品成人在线| 国产高清视频在线播放一区 | 精品久久蜜臀av无| 一区福利在线观看| 青春草亚洲视频在线观看| 欧美日本中文国产一区发布| 国产免费一区二区三区四区乱码| 成年美女黄网站色视频大全免费| a 毛片基地| 两性夫妻黄色片| 天天躁夜夜躁狠狠躁躁| 午夜久久久在线观看| 国产三级黄色录像| 一本久久精品| 大型av网站在线播放| 一边亲一边摸免费视频| 咕卡用的链子| 女人久久www免费人成看片| 亚洲av片天天在线观看| 国产男女超爽视频在线观看| 国产成人精品久久二区二区免费| 国产免费现黄频在线看| 免费一级毛片在线播放高清视频 | 国产福利在线免费观看视频| 又紧又爽又黄一区二区| 欧美日韩视频精品一区| 午夜免费成人在线视频| 成年女人毛片免费观看观看9 | 午夜福利,免费看| 真人做人爱边吃奶动态| 狠狠婷婷综合久久久久久88av| 9热在线视频观看99| 久久99精品国语久久久| 久久久久久久大尺度免费视频| 亚洲免费av在线视频| 日韩欧美一区视频在线观看| 精品一区二区三区av网在线观看 | 精品国产超薄肉色丝袜足j| 成人国语在线视频| 国产在线免费精品| 日韩一区二区三区影片| 亚洲综合色网址| 夫妻性生交免费视频一级片| 在线观看www视频免费| 亚洲精品国产一区二区精华液| 夫妻性生交免费视频一级片| 婷婷色av中文字幕| 一级毛片电影观看| 黄频高清免费视频| 亚洲 国产 在线| 国产精品一区二区免费欧美 | 久久久久精品国产欧美久久久 | 欧美日韩视频精品一区| 人妻 亚洲 视频| 一本大道久久a久久精品| 99热国产这里只有精品6| 国产伦理片在线播放av一区|