• <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PCA-XGBoost聯(lián)合算法的盜竊犯罪預(yù)測模型

    2022-07-07 02:52:00朱小波栗赫遙
    關(guān)鍵詞:犯罪分類樣本

    朱小波 栗赫遙

    (上海公安學(xué)院治安系 上海 200137)

    0 引 言

    犯罪活動具有復(fù)雜性和多樣性的特點(diǎn),直接影響著社會安定和人民安全。目前,大量研究成果表明犯罪活動雖復(fù)雜多變,但基于犯罪行為發(fā)生的條件限制,必然與犯罪時間、犯罪空間、犯罪人等因素產(chǎn)生特定關(guān)系,通過對相關(guān)因素進(jìn)行分析,不但可以總結(jié)犯罪規(guī)律,而且可以通過建立數(shù)據(jù)模型預(yù)測犯罪發(fā)生,達(dá)到主動響應(yīng)、提早預(yù)防的效果?,F(xiàn)如今,隨著海量犯罪數(shù)據(jù)的“歷史積淀”,對其進(jìn)行深度挖掘和推理,已然成為公安機(jī)關(guān)在大數(shù)據(jù)時代的必然選擇。作為最常見的侵犯財(cái)產(chǎn)類犯罪形式之一,盜竊犯罪不僅案發(fā)量高而且極易演變至其他類型的犯罪,社會危害性較大,人民群眾對此深惡痛絕。因此,對盜竊犯罪特征因素分析以及預(yù)測模型的建模研究,不僅有助于發(fā)掘該類犯罪的特征向量,盡早采取措施進(jìn)行有效預(yù)防,同時對間接降低其他類型案件的犯罪率,提升社會面整體治安水平都有所裨益。

    早在19世紀(jì)30年代,美國紐約市警察局就采用數(shù)據(jù)分析方法預(yù)測犯罪問題。警察局的分析人員通過將犯罪的地理空間等信息用圖釘分別標(biāo)注于地圖上,運(yùn)用歸納分析、關(guān)聯(lián)分析和邏輯推理的方法找出犯罪發(fā)生的規(guī)律,并結(jié)合多年從業(yè)經(jīng)驗(yàn),最終進(jìn)行犯罪數(shù)量和易發(fā)案區(qū)域進(jìn)行預(yù)測。時至今日,隨著信息技術(shù)和人工智能的不斷發(fā)展和應(yīng)用,越來越多的學(xué)者通過地理信息系統(tǒng)、機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘等技術(shù)方法的結(jié)合,對犯罪數(shù)據(jù)進(jìn)行綜合分析與預(yù)測。基于大數(shù)據(jù)的犯罪預(yù)測不僅能夠擺脫個人經(jīng)驗(yàn)的偏見影響,還有助于優(yōu)化警力配置,實(shí)現(xiàn)多維度預(yù)防犯罪。例如,決策樹算法就可以多條件向下劃分針對復(fù)雜分類問題給出有預(yù)見性的分類結(jié)果,從而達(dá)到預(yù)測犯罪趨勢的效果[1]。金光等[2]運(yùn)用決策樹算法構(gòu)建預(yù)測模型,探索出了適用于犯罪預(yù)測領(lǐng)域的數(shù)據(jù)挖掘方法。李衛(wèi)紅等[3]通過對某市犯罪歷史數(shù)據(jù)的學(xué)習(xí)及訓(xùn)練建立改進(jìn)后的GA-BP神經(jīng)網(wǎng)絡(luò)模型。國外也有學(xué)者將研究區(qū)域劃分成一個個單元格,通過logistic回歸和神經(jīng)網(wǎng)絡(luò)兩種犯罪預(yù)測模型相互結(jié)合的方式對研究地理區(qū)域的單元格進(jìn)行犯罪預(yù)測[4]。還有學(xué)者從原始犯罪數(shù)據(jù)當(dāng)中提取數(shù)據(jù)集,通過數(shù)據(jù)挖掘構(gòu)建不同分類器模型,從而達(dá)到犯罪預(yù)測的目的[5-7]。

    犯罪數(shù)據(jù)往往具有樣本信息復(fù)雜多變、樣本量大等特點(diǎn),對其進(jìn)行精確預(yù)測具有一定的難度。本文為實(shí)現(xiàn)此目的,將引入主成分分析(PCA)法和XGBoost法,即:將多變量數(shù)據(jù)降維與極端梯度提升分類算法相結(jié)合,使用迭代運(yùn)算方法將大量的弱分類器組合成強(qiáng)分類器,能夠有效地構(gòu)建增強(qiáng)樹并實(shí)現(xiàn)并行運(yùn)行。

    1 數(shù)據(jù)概述

    由于國內(nèi)犯罪數(shù)據(jù)的涉密性,本文選取2017年美國芝加哥市的盜竊犯罪的911報(bào)警數(shù)據(jù)集,依次進(jìn)行數(shù)據(jù)概況描述、數(shù)據(jù)篩選和數(shù)據(jù)清洗等預(yù)處理工作。最終在原始樣本中獲取了分組聚合成48 126個有效數(shù)據(jù),數(shù)據(jù)集字段包括案件ID、犯罪日期分段標(biāo)注、所屬街區(qū)、案件描述、所屬分局、所屬社區(qū)、犯罪所在經(jīng)緯、維度和聚合計(jì)數(shù)后的案件發(fā)生次數(shù)等。數(shù)據(jù)集主要字段信息如表1所示。

    表1 數(shù)據(jù)集字段表

    2 基于PCA-XGBoost算法的盜竊犯罪數(shù)量預(yù)測模型

    基于PCA-XGBoost算法的盜竊犯罪數(shù)量預(yù)測模型可以概括為以下幾個步驟:首先,利用盜竊犯罪報(bào)警數(shù)據(jù)集的PCA處理,形成犯罪數(shù)量的特征矩陣;然后,構(gòu)建犯罪數(shù)量預(yù)測模型,包括預(yù)測模型優(yōu)化和定模;最后,基于統(tǒng)計(jì)數(shù)據(jù)進(jìn)行犯罪數(shù)量預(yù)測。如圖1所示。

    圖1 基于PCA-XGBoost算法的盜竊犯罪數(shù)量預(yù)測模型框架

    2.1 主成分分析方法

    PCA是一種無監(jiān)督學(xué)習(xí)、多元統(tǒng)計(jì)分析方法,用于發(fā)現(xiàn)數(shù)據(jù)基本結(jié)構(gòu),實(shí)現(xiàn)多變量數(shù)據(jù)降維,其主要實(shí)現(xiàn)步驟如下:

    (1) 樣本數(shù)據(jù)規(guī)范化處理。

    (1)

    (2) 樣本協(xié)方差矩陣的特征值分解。

    求解s的特征值方程:

    |s-λI|=0

    (2)

    得到s的m個特征值λ1≥λ2≥…≥λm,與之相對應(yīng)的特征向量為(ξ1,ξ2,…,ξm)。

    (3) 主成分計(jì)算。

    (3)

    (4) 計(jì)算主成分的方差貢獻(xiàn)率。

    (4)

    式中:ρi表示第i個主成分的方差貢獻(xiàn)率。

    2.2 XGBoost算法和基本原理

    XGBoost(eXtreme Gradient Boosting)是基于梯度提升迭代決策樹算法優(yōu)化而來的極端梯度增強(qiáng)分類算法,具有高效、并行、精確和魯棒性好等優(yōu)點(diǎn)。在同樣條件下,XGBoost算法的運(yùn)算能力、訓(xùn)練速度以及預(yù)測速度比其他算法更著優(yōu)勢。由于XGboost具有自動分裂學(xué)習(xí)能力,其目標(biāo)函數(shù)考慮了二階導(dǎo)數(shù)的影響,使損失更精確,極大提高了算法的效率。因此,XGBoost非常適合應(yīng)用于在時間不連續(xù)、空間間隔性下的盜竊犯罪數(shù)量預(yù)測。

    XGBoost目標(biāo)函數(shù)和優(yōu)化推導(dǎo)如下:

    1) XGBoost考慮正則化項(xiàng),目標(biāo)函數(shù)定義如下:

    (5)

    依據(jù)上述模型框架,可以優(yōu)化出樹的建模函數(shù)ft(x):

    (6)

    2) 每次建樹優(yōu)化以下目標(biāo):

    (7)

    3) 假設(shè)已知樹結(jié)構(gòu)q,即每個樣本xi能通過該結(jié)構(gòu)q找到相對應(yīng)的樹葉子節(jié)點(diǎn)j,可以定義Ij={i|q(xi)=j}為在樹結(jié)構(gòu)q下,落入葉子節(jié)點(diǎn)j所有樣本序號的集合。對上述表達(dá)式進(jìn)行展開并通過配方法,就可以得到:

    (8)

    最終得到葉子權(quán)重值為:

    (9)

    4) 最終的目標(biāo)值為:

    (10)

    3 盜竊犯罪數(shù)量預(yù)測模型構(gòu)建

    本文利用經(jīng)過清洗后的2017年芝加哥的盜竊犯罪的911報(bào)警數(shù)據(jù)集的80%作為模型的訓(xùn)練集,將剩余的20%作為測試數(shù)據(jù)集用來驗(yàn)證模型精度。

    3.1 建模思想

    數(shù)據(jù)中考慮到大量日期上的分散性,對日期數(shù)據(jù)進(jìn)行步長處理,每月按照上中下三類作區(qū)分,對日期步長、街區(qū)、區(qū)域和經(jīng)緯度等,按犯罪發(fā)生次數(shù)分組聚集計(jì)數(shù)。因案件類型、街區(qū)和案件描述字段是屬性變量,需要進(jìn)一步進(jìn)行類別數(shù)值劃分,本文采用獨(dú)熱編碼(One-Hot)),把屬性變量轉(zhuǎn)化為數(shù)值型變量,可以認(rèn)為和統(tǒng)計(jì)學(xué)中單位標(biāo)準(zhǔn)向量相同,向量元素只有0和1,即N種屬性類型變量對應(yīng)N種狀態(tài)列,如有兩個屬性變量,其中兩個變量去重值數(shù)量對應(yīng)為n×m(N),由獨(dú)熱編碼方式映射的向量矩陣就是m×n型的不嚴(yán)格的標(biāo)準(zhǔn)單位矩陣,如此把屬性類變量歸一到二進(jìn)制向量上,將出現(xiàn)狀態(tài)對應(yīng)的視為整數(shù)索引標(biāo)記為1,其他的空缺情況標(biāo)記為0。此編碼方式可將離散的序列擴(kuò)展到歐氏空間,編碼之后,一方面在計(jì)算和刻畫特征之間的距離和離散化程度刻畫上更加便捷,另一方面也方便對特征向量進(jìn)一步實(shí)現(xiàn)特征工程和模型構(gòu)建,達(dá)到預(yù)測的目的。

    本文數(shù)據(jù)列中的兩列犯罪描述和犯罪類型可以形成3×2的向量矩陣,可以表示為“RETAIL THEFT”=>[1,0,0,0,0,0],“ATTEMPT THEFT”=>[0,1,0,0,0,0],“OVER $500”=>[0,0,1,0,0,0]等。

    3.2 特征向量構(gòu)建

    結(jié)合先驗(yàn)經(jīng)驗(yàn)與數(shù)據(jù)可得性,本文從時間、空間經(jīng)緯度、所屬街區(qū)等方面分裂出15個維度指標(biāo)作為模型特征向量,然后采用PCA方法提取特征成分,具體各特征的重要性程度如圖2所示。

    圖2 特征重要性圖

    3.3 模型評估

    在所選擇的訓(xùn)練集下訓(xùn)練出的模型仍需進(jìn)一步驗(yàn)證模型的精確性和準(zhǔn)確性。

    本文選擇了三種方法:

    (1) 從測試集和預(yù)測數(shù)據(jù)集真實(shí)數(shù)值出發(fā),計(jì)算預(yù)測集和實(shí)際測試集的差值,選擇均方根誤差(RMSE)作為第一個模型評估的方法。

    (2) 采用分類正確率(AUC),即:ROC曲線覆蓋面積大小,該指標(biāo)考慮了正例和負(fù)例排序得分問題。

    對于XGboost.train參數(shù)進(jìn)行調(diào)優(yōu):

    & early_stopping_rounds=10

    & eval_metric=′mlogloss′

    & eval_set=eval_set

    & verbose=True

    & learn_rate=0.01

    & early_stopping_rounds:早期停止次數(shù),本模型設(shè)為10。

    & evals:用于對訓(xùn)練過程中進(jìn)行評估列表中的元素列表。形式是evals=[(dtrain,′train′),(dval,′val′)]或者是evals=[(dtrain,′train′)],用于訓(xùn)練過程中觀察驗(yàn)證集的效果。

    & learning_rates:每一次提升的學(xué)習(xí)率的列表。

    & eval_metric:選擇的損失函數(shù)類型。

    均方根誤差的公式如下:

    (11)

    式中:n代表犯罪指標(biāo)的樣本數(shù)。

    犯罪數(shù)量預(yù)測誤差分布直方圖情況來看,如圖3所示,在各測試值加上均方誤差值(1.60)變化情況,85.6%以上的犯罪數(shù)量誤差率在30%以內(nèi),平均準(zhǔn)確率達(dá)到80.6%。

    圖3 犯罪數(shù)量預(yù)測誤差分布直方圖

    本文采用的另一種衡量指標(biāo)AUC作為本次犯罪預(yù)測模型的精準(zhǔn)度判定。AUC即為ROC曲線下的面積大小,AUC一般對應(yīng)于二分類邏輯回歸中衡量分類模型的精準(zhǔn)度,表示得到的正例預(yù)測排在負(fù)例前面的概率,可以理解為在本文選擇的正、負(fù)兩個樣本中分別賦予的得分的對比情況,每一個分類器對應(yīng)給出正樣本得分高于負(fù)樣本的概率大小。具體方法為:首先對樣本得分進(jìn)行降序排列,得分最高的樣本對應(yīng)為n,依次向下排列,最終得到的是n-1,…,1序列形式,可以算出正例樣本的數(shù)量(減去兩個正例樣本交叉重復(fù)出現(xiàn)的情況)和正樣本得分大于負(fù)樣本得分?jǐn)?shù)值,與總數(shù)的比值即為所求,即:

    (12)

    最后采用的另外一種評價(jià)方法:F1分?jǐn)?shù)。與AUC模型相同,F(xiàn)1分?jǐn)?shù)同時考慮了準(zhǔn)確率以及召回率的影響。但是從模型優(yōu)化角度來看,AUC的優(yōu)化目標(biāo)是訓(xùn)練一個偏保守的不誤報(bào)的模型,而F1分?jǐn)?shù)的優(yōu)化目標(biāo)是訓(xùn)練一個偏激進(jìn)的不放過任何可能的模型。綜合兩者考慮,能夠綜合兩者各自的優(yōu)點(diǎn)。F1分?jǐn)?shù)的計(jì)算公式如下所示:

    (13)

    式中:P代表Precision,即準(zhǔn)確率;R代表Recall,即召回率。

    4 模型的對比驗(yàn)證

    4.1 K折交叉驗(yàn)證法迭代(K-CV)

    考慮到在實(shí)驗(yàn)中選出的訓(xùn)練集訓(xùn)練出來的模型在實(shí)際使用測試和模型預(yù)測中可能出現(xiàn)參數(shù)擬合欠佳和過擬合,為了提高模型的泛化能力和其對應(yīng)的最優(yōu)超參值,本文選擇利用K折交叉驗(yàn)證方法對參數(shù)進(jìn)行迭代調(diào)優(yōu),找到一個更具說服力的最優(yōu)超參值,并運(yùn)用到訓(xùn)練集上重新訓(xùn)練模型,之后的步驟也就是上述的評價(jià)標(biāo)準(zhǔn)值問題。

    (1) 在樣本數(shù)據(jù)集篩選過程中先將全部訓(xùn)練數(shù)據(jù)集在統(tǒng)計(jì)學(xué)的概念上分成k個互不相交和相互獨(dú)立的子集,全部訓(xùn)練數(shù)據(jù)集用S表示,并且假設(shè)S中的訓(xùn)練樣例個數(shù)為n,那么每一個子集對應(yīng)為n/k個訓(xùn)練樣本比例,相應(yīng)的子集稱作{s1,s2,…,sk}。

    (2) 每次從已經(jīng)分好的互不相交的分子集中里面,隨機(jī)取出一個作為測試數(shù)據(jù)集,其他的k-1個視為訓(xùn)練集使用。

    (3) 利用工具包函數(shù)對k-1個訓(xùn)練集訓(xùn)練學(xué)習(xí)器模型,隨后進(jìn)行模型輸出和假設(shè)函數(shù)系數(shù)輸出。

    (4) 將得出的模型放到測試數(shù)據(jù)集上進(jìn)一步驗(yàn)證,得到分類率。

    (5) 通過計(jì)算k次,將求得的分類率的平均值,作為該模型或者假設(shè)函數(shù)的真實(shí)分類率。

    K折交叉驗(yàn)證能很好地起到參數(shù)預(yù)測模型的欠擬合和過擬合的平衡作用,可以更好地解釋和說明參數(shù)模型結(jié)果。在Python XGBoost庫里,通過CV函數(shù)實(shí)現(xiàn)交叉驗(yàn)證技術(shù)實(shí)現(xiàn)。

    4.2 與其他分類算法的對比

    前文從檢驗(yàn)方法的角度,選用了均方根誤差、AUC、F1分?jǐn)?shù)和K折交叉驗(yàn)證對預(yù)測模型學(xué)習(xí)效果進(jìn)行評估和調(diào)優(yōu)。為證實(shí)本文選擇的該機(jī)器學(xué)習(xí)的優(yōu)勢,選擇了兩種對隨機(jī)擾動項(xiàng)不太靈敏的算法NB、LR、兩種對異常數(shù)據(jù)擾動性比較靈敏的算法CART、RF及單一的XGBoost算法作為模型實(shí)驗(yàn)的對照。采用鮮明的可視化變現(xiàn)方式,即給出各個算法對應(yīng)的ROC曲線,在一幅圖中可以清晰地看到每個算法的“高下之分”,當(dāng)一個算法的ROC曲線全部路徑在另一條ROC曲線上,基本可以認(rèn)定前者算法是更優(yōu)的選擇。

    圖4為XGBoost、NB、LR、CART和RF各分類算法針對本文的犯罪數(shù)據(jù)集建立的預(yù)測模型進(jìn)行預(yù)測結(jié)果的ROC曲線路徑情況,其中:橫坐標(biāo)為False Positive Rate(反向概率),縱坐標(biāo)為True Positive Rate(正向概率)。ROC曲線以越快的速度傾向于坐標(biāo)的左上角位置,可以認(rèn)為該算法的分類和回歸效果越好。

    圖4 各算法預(yù)測結(jié)果的ROC曲線對比圖

    從圖4所示各算法ROC曲線路徑分布和走勢可以明顯看出PCA-XGBoost算法的預(yù)測精確度效果優(yōu)于其他各種分類預(yù)測算法。

    為了進(jìn)一步驗(yàn)證和比較各個算法的預(yù)測平均準(zhǔn)確度以及平均F1分?jǐn)?shù),對聚合成的48 126個有效數(shù)據(jù)集進(jìn)行5次5折交叉驗(yàn)證,分別對應(yīng)各模型算法建立預(yù)測驗(yàn)證和對比。表2可以看到PCA-XGBoost預(yù)測準(zhǔn)確度明顯優(yōu)于其他四種算法,從各個算法5折平均準(zhǔn)確度來看,PCA-XGBoost算法的平均準(zhǔn)確率達(dá)到88.21%,要優(yōu)于單一的XGBoost算法(86.53%),亦遠(yuǎn)高于其他算法(平均準(zhǔn)確率均在80%以下)。如表3所示,從5折F1分?jǐn)?shù)來看,PCA-XGBoost算法的平均F1分?jǐn)?shù)達(dá)到85.03%,要優(yōu)于單一的XGBoost算法(84.23%),亦遠(yuǎn)高于其他算法。因此,可以得出PCA-XGBoost算法在預(yù)測盜竊類犯罪數(shù)量的應(yīng)用場景之下,將會展現(xiàn)出較大的優(yōu)勢。

    表2 各算法預(yù)測準(zhǔn)確度對比表(%)

    表3 各算法預(yù)測F1分?jǐn)?shù)對比表(%)

    4.3 預(yù)測結(jié)果分析

    經(jīng)與測試集數(shù)據(jù)的對比驗(yàn)證情況來看,基于PCA-XGBoost算法的盜竊犯罪預(yù)測模型,不僅在計(jì)算效率和速度上有明顯優(yōu)勢,而且其預(yù)測準(zhǔn)確率達(dá)到88.21%,其預(yù)測F1值為85.03%,高于XGBoost、LR和NB等其他一些常用的分類模型。因此,該預(yù)測模型能夠有效地揭示盜竊犯罪在相應(yīng)時間和空間下的數(shù)量及其變化情況,其預(yù)測準(zhǔn)確度是非常具有實(shí)際指導(dǎo)意義的,在實(shí)際警務(wù)工作中有較大的推廣價(jià)值。

    5 結(jié) 語

    本文以2017年美國芝加哥市的盜竊犯罪的911報(bào)警數(shù)據(jù)集作為樣本數(shù)據(jù),建立了具有較佳性能且適用于芝加哥市盜竊類犯罪的犯罪預(yù)測模型。通過多種檢驗(yàn)方法得出該P(yáng)CA-XGBoost算法模型具有較高的準(zhǔn)確率。另一方面,通過與其他分類算法模型進(jìn)行橫向?qū)Ρ葘?shí)驗(yàn)表明:PCA-XGBoost模型對樣本市的盜竊犯罪發(fā)生數(shù)量的預(yù)測準(zhǔn)確度明顯高于其他類型的分類預(yù)測模型,其預(yù)測準(zhǔn)確率達(dá)到88.21%,其F1分?jǐn)?shù)可達(dá)85.03%??梢灶A(yù)見,該算法模型將在當(dāng)?shù)鼐结槍ΡI竊犯罪的防控和打擊工作中發(fā)揮重要作用。

    需要注意的是,本文研究的是盜竊犯罪只是諸多犯罪類型的一種。不同地域、不同犯罪類型在時間和空間上都可能大相徑庭。因此,在未來針對不同類型犯罪預(yù)測模型的構(gòu)建中,不僅要結(jié)合報(bào)警數(shù)據(jù),還有必要考慮當(dāng)?shù)貙?shí)際的犯罪數(shù)據(jù)進(jìn)行深度學(xué)習(xí),尤其是要在特征向量的提取方面,將與犯罪人、被侵害人(地)有關(guān)復(fù)雜特征數(shù)據(jù)一并考慮。這樣開發(fā)的預(yù)測模型才能更準(zhǔn)確和快捷,這也必然是犯罪預(yù)測研究未來的熱門研究方向之一。

    猜你喜歡
    犯罪分類樣本
    分類算一算
    用樣本估計(jì)總體復(fù)習(xí)點(diǎn)撥
    Televisions
    分類討論求坐標(biāo)
    推動醫(yī)改的“直銷樣本”
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    隨機(jī)微分方程的樣本Lyapunov二次型估計(jì)
    什么是犯罪?
    村企共贏的樣本
    久久中文看片网| 99国产精品一区二区蜜桃av | 一本大道久久a久久精品| 熟女少妇亚洲综合色aaa.| 欧美日韩视频精品一区| 亚洲一码二码三码区别大吗| 国产免费av片在线观看野外av| 在线十欧美十亚洲十日本专区| 黄色a级毛片大全视频| 色尼玛亚洲综合影院| 欧美国产精品一级二级三级| 国产人伦9x9x在线观看| 久久午夜综合久久蜜桃| 欧美日韩亚洲国产一区二区在线观看 | 亚洲五月婷婷丁香| 国产av精品麻豆| 丝袜美腿诱惑在线| 欧美激情极品国产一区二区三区| 国产精品二区激情视频| 美女午夜性视频免费| 男女无遮挡免费网站观看| 午夜福利乱码中文字幕| 日韩 欧美 亚洲 中文字幕| 日韩 欧美 亚洲 中文字幕| 丝袜喷水一区| 老熟女久久久| 少妇粗大呻吟视频| 精品久久久精品久久久| 女人爽到高潮嗷嗷叫在线视频| 看免费av毛片| 高潮久久久久久久久久久不卡| 青青草视频在线视频观看| 一级毛片电影观看| 国产精品欧美亚洲77777| 精品国产乱子伦一区二区三区| 天堂8中文在线网| 正在播放国产对白刺激| 国产成人av激情在线播放| 精品一区二区三区av网在线观看 | 丝袜美足系列| 啦啦啦视频在线资源免费观看| 黑人欧美特级aaaaaa片| 国产精品久久电影中文字幕 | 中文字幕另类日韩欧美亚洲嫩草| www.999成人在线观看| 亚洲少妇的诱惑av| tube8黄色片| 搡老岳熟女国产| 国产成人系列免费观看| 久久久国产欧美日韩av| 精品人妻1区二区| 999精品在线视频| 激情视频va一区二区三区| av免费在线观看网站| 免费日韩欧美在线观看| 一区二区三区乱码不卡18| 啦啦啦中文免费视频观看日本| 91大片在线观看| 精品一区二区三区av网在线观看 | 黄片播放在线免费| 丰满迷人的少妇在线观看| 中文字幕最新亚洲高清| 搡老乐熟女国产| 久久影院123| 黄片播放在线免费| xxxhd国产人妻xxx| 国产1区2区3区精品| 人人妻人人添人人爽欧美一区卜| 国产1区2区3区精品| 久久精品国产综合久久久| 久久99热这里只频精品6学生| 美女扒开内裤让男人捅视频| 午夜老司机福利片| 狂野欧美激情性xxxx| 亚洲精品国产一区二区精华液| 国产亚洲欧美精品永久| 欧美一级毛片孕妇| 久久久久国产一级毛片高清牌| 国产成人免费观看mmmm| 99国产精品99久久久久| 国产免费视频播放在线视频| 丝袜美足系列| 欧美激情久久久久久爽电影 | 欧美 亚洲 国产 日韩一| 午夜91福利影院| 色婷婷久久久亚洲欧美| 黄色视频在线播放观看不卡| 亚洲中文日韩欧美视频| 欧美日韩福利视频一区二区| 国产av精品麻豆| 中文字幕人妻丝袜制服| 国产精品久久久av美女十八| 久久av网站| 国产精品av久久久久免费| 国产欧美日韩一区二区精品| 国产区一区二久久| 午夜成年电影在线免费观看| 美国免费a级毛片| 成年版毛片免费区| 999精品在线视频| 黑人巨大精品欧美一区二区mp4| 亚洲精品在线美女| 亚洲国产欧美日韩在线播放| 国产欧美日韩一区二区三区在线| 国产野战对白在线观看| 在线观看免费视频网站a站| 国产又爽黄色视频| 亚洲第一av免费看| 一区二区日韩欧美中文字幕| 午夜福利视频在线观看免费| 日韩欧美一区视频在线观看| 免费看a级黄色片| 亚洲第一av免费看| 一进一出好大好爽视频| 国产又爽黄色视频| 久久久欧美国产精品| 久久久水蜜桃国产精品网| 日韩熟女老妇一区二区性免费视频| 色94色欧美一区二区| cao死你这个sao货| 一进一出抽搐动态| 伦理电影免费视频| 欧美日韩国产mv在线观看视频| 久久久欧美国产精品| 人妻一区二区av| 人人妻人人澡人人爽人人夜夜| 男女下面插进去视频免费观看| 午夜福利在线观看吧| 极品人妻少妇av视频| 亚洲精品久久午夜乱码| 欧美激情久久久久久爽电影 | 午夜免费鲁丝| 中文字幕高清在线视频| 9热在线视频观看99| 少妇精品久久久久久久| 十八禁网站网址无遮挡| 51午夜福利影视在线观看| 最黄视频免费看| 国产成人免费观看mmmm| 国产成人免费观看mmmm| 国产精品亚洲av一区麻豆| 夫妻午夜视频| √禁漫天堂资源中文www| 一本色道久久久久久精品综合| 精品久久蜜臀av无| 18禁裸乳无遮挡动漫免费视频| 欧美国产精品一级二级三级| 美女福利国产在线| 欧美成人午夜精品| 老司机靠b影院| 新久久久久国产一级毛片| 欧美激情 高清一区二区三区| 亚洲性夜色夜夜综合| 亚洲精华国产精华精| 久久久久久亚洲精品国产蜜桃av| 国产在线精品亚洲第一网站| 99九九在线精品视频| 在线观看免费视频日本深夜| 老熟女久久久| 日韩视频在线欧美| 十八禁网站免费在线| 亚洲av第一区精品v没综合| 亚洲熟女精品中文字幕| 一级片'在线观看视频| 国产高清国产精品国产三级| 成人18禁高潮啪啪吃奶动态图| 一区二区三区国产精品乱码| 高清欧美精品videossex| 精品国产亚洲在线| 精品亚洲成a人片在线观看| 国产不卡av网站在线观看| 人人妻人人爽人人添夜夜欢视频| 99re6热这里在线精品视频| 亚洲精品粉嫩美女一区| 天堂中文最新版在线下载| 久久午夜亚洲精品久久| 国产男女内射视频| 9191精品国产免费久久| 免费观看a级毛片全部| bbb黄色大片| 9色porny在线观看| 国产老妇伦熟女老妇高清| 国产亚洲精品第一综合不卡| 91成人精品电影| 国产主播在线观看一区二区| 中文字幕人妻丝袜制服| 日本av免费视频播放| 国产精品免费大片| 色婷婷久久久亚洲欧美| 女人被躁到高潮嗷嗷叫费观| 女人高潮潮喷娇喘18禁视频| 黑丝袜美女国产一区| 欧美亚洲 丝袜 人妻 在线| 国产97色在线日韩免费| 国产1区2区3区精品| 中文亚洲av片在线观看爽 | 久久久精品区二区三区| 亚洲精品国产精品久久久不卡| av超薄肉色丝袜交足视频| 免费观看a级毛片全部| 丰满人妻熟妇乱又伦精品不卡| 水蜜桃什么品种好| kizo精华| 久久天躁狠狠躁夜夜2o2o| 2018国产大陆天天弄谢| 日日夜夜操网爽| 每晚都被弄得嗷嗷叫到高潮| 捣出白浆h1v1| 国产欧美日韩一区二区精品| 色视频在线一区二区三区| 999久久久精品免费观看国产| 欧美老熟妇乱子伦牲交| 电影成人av| 成人18禁在线播放| 亚洲欧美精品综合一区二区三区| av欧美777| 一级,二级,三级黄色视频| 最新的欧美精品一区二区| 国产成人啪精品午夜网站| 美女国产高潮福利片在线看| 亚洲国产看品久久| 天天操日日干夜夜撸| 亚洲精品国产一区二区精华液| 一边摸一边抽搐一进一出视频| 搡老岳熟女国产| 国产成人精品无人区| 国产男女内射视频| 变态另类成人亚洲欧美熟女 | 久久精品国产亚洲av高清一级| 国产区一区二久久| 免费在线观看视频国产中文字幕亚洲| 免费黄频网站在线观看国产| 在线观看人妻少妇| 天天添夜夜摸| 99久久精品国产亚洲精品| 香蕉久久夜色| 少妇精品久久久久久久| 在线看a的网站| 欧美另类亚洲清纯唯美| 午夜激情av网站| 久久毛片免费看一区二区三区| 国产精品 国内视频| 亚洲欧洲日产国产| 老司机在亚洲福利影院| 国产不卡av网站在线观看| 亚洲精华国产精华精| www.熟女人妻精品国产| 不卡av一区二区三区| 日韩一区二区三区影片| 午夜福利一区二区在线看| 最近最新免费中文字幕在线| 色婷婷久久久亚洲欧美| 久久国产精品大桥未久av| 欧美久久黑人一区二区| 少妇精品久久久久久久| 亚洲成a人片在线一区二区| 999久久久精品免费观看国产| 91av网站免费观看| 大片免费播放器 马上看| 亚洲,欧美精品.| 欧美一级毛片孕妇| 91字幕亚洲| 免费人妻精品一区二区三区视频| 手机成人av网站| 亚洲av电影在线进入| 久久热在线av| 国产精品久久久人人做人人爽| 日本vs欧美在线观看视频| 丰满饥渴人妻一区二区三| 天堂中文最新版在线下载| 啦啦啦视频在线资源免费观看| 国产免费av片在线观看野外av| 首页视频小说图片口味搜索| 亚洲少妇的诱惑av| 18禁黄网站禁片午夜丰满| 午夜两性在线视频| 一边摸一边抽搐一进一小说 | 波多野结衣av一区二区av| 欧美日韩一级在线毛片| 欧美日韩黄片免| cao死你这个sao货| 女性被躁到高潮视频| 90打野战视频偷拍视频| 黄色丝袜av网址大全| 老汉色∧v一级毛片| 亚洲熟妇熟女久久| 国产成人av教育| 天天躁日日躁夜夜躁夜夜| 亚洲精品在线观看二区| 久久久国产精品麻豆| 精品久久久久久电影网| 搡老熟女国产l中国老女人| 国产男靠女视频免费网站| 日本a在线网址| 精品卡一卡二卡四卡免费| 捣出白浆h1v1| 最近最新中文字幕大全电影3 | 国产高清激情床上av| 一本—道久久a久久精品蜜桃钙片| 久久久久久久国产电影| 99香蕉大伊视频| 欧美成人午夜精品| 99riav亚洲国产免费| 在线十欧美十亚洲十日本专区| 午夜福利在线免费观看网站| 午夜福利视频精品| 国产欧美日韩精品亚洲av| 欧美中文综合在线视频| 午夜福利乱码中文字幕| 精品久久蜜臀av无| 国产精品久久久久久精品古装| 老司机影院毛片| 欧美成人免费av一区二区三区 | 亚洲精品国产色婷婷电影| 999久久久精品免费观看国产| 亚洲av日韩精品久久久久久密| 午夜激情久久久久久久| 成人特级黄色片久久久久久久 | 18禁黄网站禁片午夜丰满| 一本综合久久免费| 日韩欧美一区视频在线观看| 久9热在线精品视频| 日韩免费高清中文字幕av| 国产精品久久久人人做人人爽| 国产欧美日韩一区二区精品| 一本综合久久免费| 黄片小视频在线播放| 国产成人av教育| 欧美精品亚洲一区二区| 十八禁网站网址无遮挡| 日本wwww免费看| www日本在线高清视频| 国产主播在线观看一区二区| 波多野结衣一区麻豆| 天天躁日日躁夜夜躁夜夜| 欧美变态另类bdsm刘玥| 精品国产乱码久久久久久小说| 99九九在线精品视频| 女人高潮潮喷娇喘18禁视频| 久久精品成人免费网站| 黄色毛片三级朝国网站| 免费少妇av软件| 亚洲五月婷婷丁香| 99九九在线精品视频| 人妻 亚洲 视频| 欧美人与性动交α欧美精品济南到| 99九九在线精品视频| 一进一出好大好爽视频| 精品国产一区二区久久| 欧美日韩精品网址| 深夜精品福利| 国产97色在线日韩免费| 一边摸一边抽搐一进一出视频| 久久久久精品人妻al黑| 可以免费在线观看a视频的电影网站| 亚洲成人免费电影在线观看| 亚洲人成77777在线视频| 亚洲欧洲日产国产| 男人舔女人的私密视频| 交换朋友夫妻互换小说| 丁香六月欧美| 久久精品aⅴ一区二区三区四区| 国产极品粉嫩免费观看在线| 亚洲一区中文字幕在线| www.999成人在线观看| 十分钟在线观看高清视频www| 亚洲熟女毛片儿| 丝袜美腿诱惑在线| 久久人人爽av亚洲精品天堂| 亚洲美女黄片视频| 成人手机av| 亚洲自偷自拍图片 自拍| 人妻一区二区av| 大码成人一级视频| 纯流量卡能插随身wifi吗| 日韩人妻精品一区2区三区| 在线观看免费高清a一片| av视频免费观看在线观看| 亚洲国产av影院在线观看| 亚洲三区欧美一区| 一夜夜www| 久久天堂一区二区三区四区| 制服诱惑二区| 一本久久精品| 国产伦理片在线播放av一区| 国产成人免费观看mmmm| 中文亚洲av片在线观看爽 | 国产三级黄色录像| 亚洲国产中文字幕在线视频| 999久久久精品免费观看国产| 欧美激情高清一区二区三区| 久久国产精品人妻蜜桃| 国产日韩欧美亚洲二区| 99热国产这里只有精品6| 日韩免费av在线播放| 亚洲人成电影免费在线| 亚洲少妇的诱惑av| 人妻久久中文字幕网| av在线播放免费不卡| 大片电影免费在线观看免费| 男女午夜视频在线观看| 操出白浆在线播放| 精品福利观看| 国产在线视频一区二区| 国产精品欧美亚洲77777| 极品少妇高潮喷水抽搐| 超色免费av| 欧美国产精品va在线观看不卡| 国产午夜精品久久久久久| 免费久久久久久久精品成人欧美视频| 99久久人妻综合| 久久久久久久精品吃奶| 亚洲中文日韩欧美视频| 一本一本久久a久久精品综合妖精| 婷婷丁香在线五月| 午夜精品国产一区二区电影| 久久亚洲真实| 91精品国产国语对白视频| 国产91精品成人一区二区三区 | 久久亚洲真实| 亚洲av片天天在线观看| 精品人妻熟女毛片av久久网站| 久久久久国产一级毛片高清牌| 老汉色∧v一级毛片| 亚洲精品自拍成人| 亚洲自偷自拍图片 自拍| 久久久国产精品麻豆| 日日夜夜操网爽| 19禁男女啪啪无遮挡网站| 亚洲欧洲精品一区二区精品久久久| 91成人精品电影| 国产欧美日韩综合在线一区二区| 在线观看免费视频日本深夜| 久久亚洲真实| 高清欧美精品videossex| 欧美日韩中文字幕国产精品一区二区三区 | 免费看a级黄色片| 别揉我奶头~嗯~啊~动态视频| 国产视频一区二区在线看| 在线看a的网站| 一区二区三区乱码不卡18| 亚洲精品国产精品久久久不卡| 最新美女视频免费是黄的| 在线观看免费午夜福利视频| 久久久久视频综合| 999精品在线视频| 天天操日日干夜夜撸| 我要看黄色一级片免费的| 91成年电影在线观看| 国产97色在线日韩免费| 欧美大码av| 欧美乱码精品一区二区三区| 三上悠亚av全集在线观看| 嫁个100分男人电影在线观看| 美女国产高潮福利片在线看| 久久人妻福利社区极品人妻图片| 国产成人精品久久二区二区免费| 亚洲熟妇熟女久久| 久久人人爽av亚洲精品天堂| 欧美午夜高清在线| 多毛熟女@视频| 丁香欧美五月| 久久久久久亚洲精品国产蜜桃av| 丝瓜视频免费看黄片| 在线观看免费午夜福利视频| 蜜桃国产av成人99| 十八禁人妻一区二区| 在线观看66精品国产| 老鸭窝网址在线观看| 美女国产高潮福利片在线看| 亚洲精品中文字幕一二三四区 | 另类亚洲欧美激情| 大片电影免费在线观看免费| 丁香欧美五月| 中文字幕色久视频| 亚洲成人免费av在线播放| 黄色片一级片一级黄色片| 丝袜在线中文字幕| 国产av又大| 999久久久精品免费观看国产| 亚洲人成电影观看| 精品少妇一区二区三区视频日本电影| 电影成人av| 欧美日韩av久久| 精品福利永久在线观看| a级毛片黄视频| 精品福利永久在线观看| 在线 av 中文字幕| 满18在线观看网站| 麻豆av在线久日| 亚洲自偷自拍图片 自拍| 中文字幕另类日韩欧美亚洲嫩草| 亚洲色图综合在线观看| 久久中文看片网| 色尼玛亚洲综合影院| 午夜福利乱码中文字幕| 成人三级做爰电影| 天天躁狠狠躁夜夜躁狠狠躁| 一本—道久久a久久精品蜜桃钙片| videos熟女内射| 国产区一区二久久| 在线观看人妻少妇| 一本色道久久久久久精品综合| 免费黄频网站在线观看国产| 首页视频小说图片口味搜索| 天天躁狠狠躁夜夜躁狠狠躁| 久久久久国产一级毛片高清牌| 99re在线观看精品视频| 2018国产大陆天天弄谢| 国产又色又爽无遮挡免费看| 久久久国产一区二区| 国产精品香港三级国产av潘金莲| 自拍欧美九色日韩亚洲蝌蚪91| 精品国产一区二区三区四区第35| 久久久国产一区二区| 国产高清激情床上av| 国产亚洲午夜精品一区二区久久| 国产又爽黄色视频| 大码成人一级视频| 色在线成人网| 免费不卡黄色视频| 男女午夜视频在线观看| 欧美成狂野欧美在线观看| 日本vs欧美在线观看视频| 亚洲 国产 在线| 十八禁人妻一区二区| 亚洲三区欧美一区| 大香蕉久久成人网| 不卡一级毛片| 国产av又大| 青草久久国产| 欧美成人午夜精品| 在线观看免费日韩欧美大片| 亚洲熟女毛片儿| 成年人黄色毛片网站| 每晚都被弄得嗷嗷叫到高潮| 久久久国产成人免费| 三上悠亚av全集在线观看| 国产成人av教育| 精品人妻1区二区| 成人国语在线视频| 丁香欧美五月| 国产成人啪精品午夜网站| 在线永久观看黄色视频| 久久人妻av系列| 亚洲精品美女久久久久99蜜臀| 高潮久久久久久久久久久不卡| 精品人妻熟女毛片av久久网站| 日日爽夜夜爽网站| 女性生殖器流出的白浆| 久久精品国产综合久久久| 中文字幕另类日韩欧美亚洲嫩草| 一本大道久久a久久精品| 免费观看av网站的网址| 女性被躁到高潮视频| 久久天躁狠狠躁夜夜2o2o| 精品一区二区三区视频在线观看免费 | 欧美激情高清一区二区三区| 国产在视频线精品| 亚洲av第一区精品v没综合| 曰老女人黄片| 久久亚洲真实| 动漫黄色视频在线观看| 久9热在线精品视频| 国产深夜福利视频在线观看| 成人国语在线视频| 国产又色又爽无遮挡免费看| 大片电影免费在线观看免费| 女人久久www免费人成看片| 久热爱精品视频在线9| av片东京热男人的天堂| 国产av一区二区精品久久| 欧美日韩国产mv在线观看视频| 91国产中文字幕| 在线观看一区二区三区激情| 高潮久久久久久久久久久不卡| 69av精品久久久久久 | 国产亚洲欧美精品永久| 五月开心婷婷网| 在线观看免费视频日本深夜| 亚洲精品乱久久久久久| 99国产精品免费福利视频| 色老头精品视频在线观看| 黄色片一级片一级黄色片| 91麻豆精品激情在线观看国产 | 亚洲精品av麻豆狂野| 国产精品 国内视频| 男女午夜视频在线观看| xxxhd国产人妻xxx| 亚洲精华国产精华精| 涩涩av久久男人的天堂| 亚洲精品久久午夜乱码| 最近最新免费中文字幕在线| 久久久国产欧美日韩av| 亚洲精品av麻豆狂野| 久久久久国内视频| 少妇精品久久久久久久| 久久99热这里只频精品6学生| 国产精品av久久久久免费| 国产精品一区二区精品视频观看| av视频免费观看在线观看| 国产一区二区在线观看av| 欧美av亚洲av综合av国产av| 国产成人啪精品午夜网站| 美女高潮喷水抽搐中文字幕| 精品高清国产在线一区| 亚洲欧美一区二区三区黑人| 国产日韩欧美视频二区| 99热国产这里只有精品6| 天天影视国产精品| 久久人妻av系列| 90打野战视频偷拍视频| 五月天丁香电影| 亚洲av国产av综合av卡| 国产精品久久久av美女十八|