• <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 ?

    基于自相關(guān)分析的交通流預(yù)測(cè)輸入步長(zhǎng)研究

    2022-10-29 06:24:04黃海超石寶存陳景雅
    關(guān)鍵詞:觀測(cè)點(diǎn)交通流步長(zhǎng)

    王 爽,黃海超,石寶存,陳景雅

    (河海大學(xué)土木與交通學(xué)院,江蘇 南京 210024)

    隨著城市的發(fā)展,汽車保有量急劇增加,現(xiàn)有的城市道路交通難以滿足日益增長(zhǎng)的交通需求,兩者之間的供需不平衡導(dǎo)致了交通擁堵、 環(huán)境污染、交通事故等一系列問題, 為了解決這些交通問題,智能交通系統(tǒng)(intelligent transportation system,ITS)應(yīng)運(yùn)而生[1]。 交通流預(yù)測(cè)作為ITS 的核心內(nèi)容,通過(guò)計(jì)算機(jī)技術(shù)、大數(shù)據(jù)挖掘等提前對(duì)城市道路交通流及其狀態(tài)進(jìn)行預(yù)測(cè),從而有助于交通管理者進(jìn)行車流的合理規(guī)劃,達(dá)到緩解交通擁堵和提高道路通行能力等目的。

    目前的交通流時(shí)間序列預(yù)測(cè)模型主要分為基于數(shù)理統(tǒng)計(jì)的傳統(tǒng)預(yù)測(cè)模型和基于機(jī)器學(xué)習(xí)的預(yù)測(cè)模型,通過(guò)對(duì)歷史時(shí)間序列進(jìn)行建模以及特征學(xué)習(xí),預(yù)測(cè)未來(lái)時(shí)刻的交通流量。 自回歸積分滑動(dòng)模型 (autoregressive integrated moving average model,ARIMA)[2]作為典型的基于數(shù)理統(tǒng)計(jì)的交通流預(yù)測(cè)模型,在線性數(shù)據(jù)處理上具有優(yōu)勢(shì),但在大規(guī)模非線性的交通數(shù)據(jù)處理上存在不足。Lu 等[3]將ARIMA模型與LSTM(long short-term memory,LSTM)相結(jié)合, 分別利用ARIMA 處理線性數(shù)據(jù)的優(yōu)勢(shì)以及LSTM 處理非線性數(shù)據(jù)的優(yōu)勢(shì)進(jìn)行交通流預(yù)測(cè),驗(yàn)證了該組合模型的多功能性。 隨著人工智能和大數(shù)據(jù)的發(fā)展,機(jī)器學(xué)習(xí)模型在處理非線性交通數(shù)據(jù)上的能力,使其逐漸成為研究者們青睞的交通流預(yù)測(cè)模型。 機(jī)器學(xué)習(xí)模型中,常用的交通流預(yù)測(cè)模型有支持向量機(jī)(support vector machines,SVM)[4]、隨機(jī)森林(random forests,RF)[5]、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)[6]。 SVM 模 型 在1995 年 被Cortes 和Vapnik 首次提出,童林等[7],閆賀等[8]對(duì)SVM 進(jìn)行改進(jìn),提高了短時(shí)交通流預(yù)測(cè)的精度。 針對(duì)SVM 求解二次規(guī)劃問題時(shí)訓(xùn)練時(shí)間過(guò)長(zhǎng)等問題,Suyken 等提出了最小二乘支持向量機(jī)(least square SVM, LSSVM),有效地減短了運(yùn)行時(shí)長(zhǎng)。 谷遠(yuǎn)利等[9]通過(guò)免疫算法優(yōu)化了LSSVM 的超參數(shù),優(yōu)化模型訓(xùn)練速度的同時(shí),提高了預(yù)測(cè)精度。 戴麗珍等[10]通過(guò)灰狼算法對(duì)LSSVM 的參數(shù)進(jìn)行優(yōu)化,增強(qiáng)了模型的泛化能力。 Hamner[11],熊亭等[12]采用了RF進(jìn)行交通流預(yù)測(cè)并取得了良好的效果。 LSTM 具有捕捉非線性數(shù)據(jù)中長(zhǎng)期依賴的能力,常被廣泛運(yùn)用在交通流時(shí)間序列預(yù)測(cè)中。 2015 年,Ma 等[13]使用LSTM 對(duì)速度進(jìn)行了預(yù)測(cè),并證明了相比較于RNN,SVM,ARIMA 模型,LSTM 在捕捉交通流數(shù)據(jù)非線性特征以及長(zhǎng)時(shí)間依賴的優(yōu)勢(shì)。

    交通流預(yù)測(cè)的研究主要集中于模型優(yōu)化,針對(duì)輸入步長(zhǎng)的討論較少。 林培群等[14]在進(jìn)行高速公路的行程時(shí)間預(yù)測(cè)時(shí), 選擇12 步步長(zhǎng)作為不同預(yù)測(cè)模型的輸入,研究預(yù)測(cè)步長(zhǎng)增加后不同模型的預(yù)測(cè)性能。 王博文等[15]針對(duì)LSTM 預(yù)測(cè)步長(zhǎng)增加誤差迅速累積的問題對(duì)模型進(jìn)行改進(jìn),選取了8 步作為模型輸入對(duì)未來(lái)的1~12 步的時(shí)刻進(jìn)行預(yù)測(cè)。 Huang等[16]為了驗(yàn)證提出的時(shí)間序列分解方法和相應(yīng)混合預(yù)測(cè)模型的有效性, 選用12 步作為輸入步長(zhǎng)進(jìn)行了多步的交通流預(yù)測(cè)。 高華睿等[17]在雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)預(yù)測(cè)交通流時(shí),采用了滑動(dòng)窗口模型,以15 步步長(zhǎng)作為滑動(dòng)窗口長(zhǎng)度對(duì)交通流數(shù)據(jù)進(jìn)行重采樣, 學(xué)習(xí)交通流數(shù)據(jù)隨時(shí)間變化的趨勢(shì)變化特征。 金瑋[18]利用傅里葉級(jí)數(shù)提取交通流量的周期性分量特征,分離殘差項(xiàng),選取1、3、6、9、12 作為輸入步長(zhǎng)分別進(jìn)行預(yù)測(cè), 分析預(yù)測(cè)結(jié)果用來(lái)判斷模型基于周期性分量的預(yù)測(cè)效果。 熊亭等[19]將擴(kuò)散卷積算子應(yīng)用于GRU(gate recurrent unit)模型進(jìn)行交通流預(yù)測(cè),通過(guò)分析1~8 步輸入步長(zhǎng)對(duì)MAPE值的影響, 選擇5步輸入步長(zhǎng)進(jìn)行特征學(xué)習(xí)和模型訓(xùn)練。

    綜上所述,在選擇輸入步長(zhǎng)的方法方面研究較少, 大多直接選擇較小的固定步長(zhǎng)作為模型的輸入, 也有研究通過(guò)一些遞減的規(guī)律來(lái)選擇輸入步長(zhǎng),但這種方法仍依賴于人為的選擇。 為了能夠自適應(yīng)地選取輸入步長(zhǎng),研究基于交通流時(shí)間序列的自相關(guān)分析, 將輸入步長(zhǎng)與本身的數(shù)據(jù)特征相結(jié)合, 采用機(jī)器學(xué)習(xí)模型中常用的LSSVM,RF,LSTM 3 種模型, 探究自相關(guān)系數(shù)與最佳輸入步長(zhǎng)之間的關(guān)系,最終提出一種基于時(shí)間序列分析能夠自適應(yīng)選取最佳輸入步長(zhǎng)的方法。

    1 相關(guān)理論

    1.1 自相關(guān)分析

    在時(shí)間序列分析中, 自相關(guān)函數(shù)常用來(lái)分析時(shí)間序列與其自身k 階滯后序列之間的相關(guān)關(guān)系,以此度量歷史數(shù)據(jù)對(duì)t 時(shí)刻產(chǎn)生的影響。 在交通流數(shù)據(jù)的自相關(guān)分析中, 可以有效地識(shí)別時(shí)間序列中的周期性特征, 也可以通過(guò)相關(guān)程度粗略的判斷輸入數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)之間的關(guān)系[20]。 其中,以k=0,1,2,…,n 表示時(shí)間序列的滯后階數(shù),給定目標(biāo)預(yù)測(cè)路段的時(shí)間序列{yt}及滯后序列{yt+k},自相關(guān)函數(shù)定義[21]如下

    式中:k 為滯后步長(zhǎng);cov(yt,yt+k)為yt與yt+k的協(xié)方差;σyt為yt的均方差。

    1.2 最小二乘支持向量機(jī)

    最小二乘支持向量機(jī)作為支持向量機(jī)的改進(jìn)模型,不僅可以有效的處理強(qiáng)非線性數(shù)據(jù),而且通過(guò)簡(jiǎn)化求解二次規(guī)劃問題減少了訓(xùn)練時(shí)間,極大地增強(qiáng)了LSSVM 的適用性。 與SVM 相同,LSSVM 將交通流數(shù)據(jù)通過(guò)非線性變換映射到高維空間[22-23]

    式中:ω 為超平面的權(quán)值;c 為常數(shù);φ(·)為空間轉(zhuǎn)換函數(shù)。

    最小二乘支持向量機(jī)的目標(biāo)函數(shù)定義如下

    式中:ei為誤差;γ 為懲罰因子。

    構(gòu)造拉格朗日函數(shù)如下

    式中:ai為拉格朗日乘子。 根據(jù)KKT 條件可得

    求解式(5),可得LSSVM 數(shù)學(xué)模型

    式中:K(·)為模型核函數(shù),通常采用RBF 核函數(shù),即

    式中:φ 為核函數(shù)參數(shù)。

    1.3 隨機(jī)森林

    隨機(jī)森林是一種有監(jiān)督的Bagging(bootstrap aggregating)類集成學(xué)習(xí)方法,具有強(qiáng)大的數(shù)據(jù)挖掘和學(xué)習(xí)能力,在眾多領(lǐng)域均有廣泛的應(yīng)用。 在交通流預(yù)測(cè)研究中, 主要采用隨機(jī)森林的回歸算法,由Bootstrap 法重采樣隨機(jī)形成決策樹,大量相互獨(dú)立的決策樹組成森林,將多個(gè)決策樹預(yù)測(cè)結(jié)果取平均值得到最終的結(jié)果,收斂速度快并且具有較高的精確性。 而且隨機(jī)森林能很好的處理交通流數(shù)據(jù)中的噪聲和異常值,數(shù)據(jù)隨機(jī)以及特征隨機(jī)的特點(diǎn)能夠避免訓(xùn)練數(shù)據(jù)出現(xiàn)過(guò)擬合的現(xiàn)象,在大規(guī)模的交通流數(shù)據(jù)中依然可以有效地運(yùn)行[24]。

    1.4 長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)

    長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)是一種遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),作為循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)的一個(gè)重要變體[25],它解決了RNN 中存在的長(zhǎng)期依賴和梯度彌散的問題, 通過(guò)記憶細(xì)胞長(zhǎng)時(shí)間記憶某個(gè)值, 可以更好地捕捉長(zhǎng)時(shí)間步中時(shí)間序列中的規(guī)律。典型的LSTM 在RNN 的基礎(chǔ)上引入了輸入門、遺忘門、輸出門來(lái)控制信息傳遞與丟棄。其中,輸入門獲取輸入數(shù)據(jù)并對(duì)其進(jìn)行更新, 遺忘門給記憶細(xì)胞選擇權(quán)是否維持舊的值,輸出門計(jì)算并輸出結(jié)果。

    本文將輸入時(shí)間序列表示為X=[x1,x2,…,xn],對(duì)輸入t 時(shí)刻數(shù)據(jù)進(jìn)行更新

    通過(guò)更新門和遺忘門對(duì)記憶細(xì)胞中存儲(chǔ)的值進(jìn)行更新為

    輸出門輸出結(jié)果為

    式中:xt為t 時(shí)刻的輸入; c~t為t 時(shí)刻的候選記憶細(xì)胞;ct為t 時(shí)刻記憶細(xì)胞; at-1為t-1 時(shí)刻的隱藏狀態(tài);Γu,Γf,Γo分別為t 時(shí)刻的更新門、遺忘門、輸出門的輸出;Wc,Wu,Wf,Wo分別為各門的權(quán)重參數(shù);bc,bu,bf,bo為偏置參數(shù);tan h,ε 為激活函數(shù)。

    1.5 交通流預(yù)測(cè)方法

    LSSVM,RF,LSTM 分別作為機(jī)器學(xué)習(xí)模型中二分類、集成學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)中常用的預(yù)測(cè)模型,選用這3 種模型研究通過(guò)自相關(guān)分析選取最佳輸入步長(zhǎng)的方法。 將車流量時(shí)間序列作為預(yù)測(cè)模型的輸入,以不同的輸入步長(zhǎng)分別進(jìn)行訓(xùn)練,預(yù)測(cè)未來(lái)15 min 的車流量,取5 次預(yù)測(cè)誤差的均值作為最終的預(yù)測(cè)結(jié)果進(jìn)行分析。

    輸入步長(zhǎng)的長(zhǎng)度以n 來(lái)表示,交通流預(yù)測(cè)的整體流程圖如圖1 所示。

    圖1 交通流預(yù)測(cè)流程圖Fig.1 Flow chart of traffic flow prediction

    2 實(shí)例應(yīng)用

    2.1 數(shù)據(jù)來(lái)源及預(yù)處理

    數(shù)據(jù)集來(lái)源于英國(guó)曼徹斯特郡的某個(gè)路段的車流量數(shù)據(jù), 選取編號(hào)為A9094、B26053、B9117、A9116、A9070、A5103 的6 個(gè)觀測(cè)點(diǎn)作為研究對(duì)象,為了方便說(shuō)明,將6 個(gè)觀測(cè)點(diǎn)的編號(hào)分別簡(jiǎn)化為序號(hào)1~6。 每個(gè)觀測(cè)點(diǎn)數(shù)據(jù)集的時(shí)間跨度為2020 年1月6 日—2020 年2 月9 日,共35 d,每組數(shù)據(jù)的采樣時(shí)間間隔為15 min,樣本總量為20 160。

    為了能夠獲得較好的擬合效果,提高模型的收斂速度,本文采用Min-Max 函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理。 按8∶2 的比例劃分訓(xùn)練集和測(cè)試集, 其中2020 年1 月6 日—2020 年2 月2 日共28 d 作為訓(xùn)練集,2020 年2 月3 日—2020 年2 月9 日共7 d 的數(shù)據(jù)為測(cè)試集。

    2.2 模型參數(shù)設(shè)置及評(píng)價(jià)指標(biāo)選取

    參數(shù)尋優(yōu)過(guò)程保存在網(wǎng)站https://github.com/Team-Cheng/ACF-parameter-optimization-.git 中,尋找各模型的局部最優(yōu)參數(shù),具體設(shè)置如下。 LSSVM模型選用RBF 核函數(shù),模型的性能主要取決于γ 和σ 兩個(gè)參數(shù), 每個(gè)觀測(cè)點(diǎn)的γ 和σ 分別設(shè)置為10、0.1。RF 模型中主要確定最佳葉子數(shù)以及樹數(shù),在模型訓(xùn)練中每個(gè)觀測(cè)點(diǎn)設(shè)置了200 棵決策樹,每棵決策樹的最佳葉子數(shù)為20。 LSTM 模型采用2 層LSTM結(jié)構(gòu),2 層隱藏層的節(jié)點(diǎn)數(shù)分別設(shè)為32 和16, 添加了Dropout 層來(lái)增加模型的泛化能力,設(shè)置丟棄概率為0.1。 選用ReLU 作為激活函數(shù), 優(yōu)化函數(shù)選用Adam 優(yōu)化函數(shù),初始學(xué)習(xí)率設(shè)置為0.005,進(jìn)行100輪迭代訓(xùn)練,梯度閾值設(shè)置為1 以防止梯度爆炸。

    采用均方根誤差(root mean square error,RMSE)作為指標(biāo)對(duì)預(yù)測(cè)結(jié)果的精確度進(jìn)行評(píng)價(jià),它通過(guò)計(jì)算預(yù)測(cè)值和真實(shí)值之間的標(biāo)準(zhǔn)差來(lái)反映預(yù)測(cè)結(jié)果的準(zhǔn)確性,計(jì)算式為

    式中:yi為目標(biāo)預(yù)測(cè)路段的實(shí)際交通流量值;y^i為目標(biāo)預(yù)測(cè)路段的預(yù)測(cè)交通流量值。

    2.3 實(shí)驗(yàn)結(jié)果與分析

    首先,確定3 個(gè)交通流預(yù)測(cè)模型輸入步長(zhǎng)的閾值。 隨機(jī)選取一個(gè)觀測(cè)點(diǎn),以輸入步長(zhǎng)n=1,2,3,…,i 分別進(jìn)行預(yù)測(cè), 觀察RMSE 值的趨勢(shì)變化。 3個(gè)模型不同輸入步長(zhǎng)的RMSE 值如圖2 所示。 從對(duì)RMSE 進(jìn)行擬合的曲線圖中可以看出, 隨著輸入步長(zhǎng)的增加,LSSVM 模型的預(yù)測(cè)誤差呈現(xiàn)出先減小后逐漸增大的趨勢(shì);LSTM 預(yù)測(cè)結(jié)果波動(dòng)較大,但總體而言,呈逐漸增加的趨勢(shì),在48 步之后,有明顯增加的趨勢(shì); 而RF 模型的RMSE 值隨著輸入步長(zhǎng)的增加呈逐漸降低的趨勢(shì)。綜合LSSVM 以及LSTM 模型的預(yù)測(cè)結(jié)果分析,選擇48 步輸入步長(zhǎng)作為上限。

    圖2 各模型不同輸入步長(zhǎng)的RMSEFig.2 RMSE of different time step of each model

    2.3.1 LSSVM 預(yù)測(cè)結(jié)果

    不同輸入步長(zhǎng)下LSSVM 的預(yù)測(cè)誤差以及自相關(guān)系數(shù)值如圖3 所示。 從對(duì)RMSE 進(jìn)行擬合的曲線圖中可以看出, 隨著輸入步長(zhǎng)的增加,LSSVM 的預(yù)測(cè)誤差呈先減小后增大的趨勢(shì),當(dāng)輸入步長(zhǎng)超過(guò)10步后,RMSE 值增加迅速, 輸入步長(zhǎng)對(duì)LSSVM 模型的預(yù)測(cè)結(jié)果影響較大。 結(jié)合6 個(gè)觀測(cè)點(diǎn)交通流時(shí)間序列的自相關(guān)分析,當(dāng)輸入步長(zhǎng)的自相關(guān)系數(shù)值在0.80~0.91 時(shí),LSSVM 會(huì)有最小的RMSE 值。

    圖3 LSSVM 不同輸入步長(zhǎng)RMSE 及ACFFig.3 RMSE and ACF of different time step of LSSVM

    2.3.2 RF 預(yù)測(cè)結(jié)果

    不同輸入步長(zhǎng)下RF 模型的RMSE 值以及自相關(guān)系數(shù)值如圖4 所示。 從對(duì)RMSE 進(jìn)行擬合的曲線圖可以看出, 隨著輸入步長(zhǎng)的增加,RF 模型的RMSE 值逐漸減小,有可能存在最小的預(yù)測(cè)誤差,也有可能隨著輸入步長(zhǎng)的增加誤差繼續(xù)減小。 原因可能是RF 模型在訓(xùn)練過(guò)程中,輸入步長(zhǎng)跨度內(nèi)的交通流數(shù)據(jù)作為RF 中特征的一部分, 可能受到特征隨機(jī)性選擇或者特征數(shù)量對(duì)模型預(yù)測(cè)的影響。 而綜合6 個(gè)觀測(cè)點(diǎn)交通流數(shù)據(jù)的自相關(guān)分析, 難以找到相同的規(guī)律,通過(guò)時(shí)間序列的自相關(guān)分析尋找預(yù)測(cè)誤差較小的輸入步長(zhǎng)的方法可能并不適用于RF 模型。

    圖4 RF 不同輸入步長(zhǎng)RMSE 及ACFFig.4 RMSE and ACF of different time step of RF

    2.3.3 LSTM 預(yù)測(cè)結(jié)果

    基于6 個(gè)觀測(cè)點(diǎn)的車流量數(shù)據(jù),對(duì)各觀測(cè)點(diǎn)從1 步到48 步的不同輸入步長(zhǎng)分別進(jìn)行預(yù)測(cè),取5 次RMSE 平均值進(jìn)行結(jié)果分析。LSTM 模型各觀測(cè)點(diǎn)不同輸入步長(zhǎng)RMSE 以及相應(yīng)的自相關(guān)系數(shù)值如圖5所示。 從對(duì)RMSE 進(jìn)行擬合的曲線圖可以看出,LSTM模型的預(yù)測(cè)結(jié)果相比較于LSSVM 以及RF 模型,波動(dòng)程度較大。 但從RMSE 值曲線整體而言,LSTM 預(yù)測(cè)模型的誤差會(huì)先呈下降趨勢(shì),之后隨著步長(zhǎng)的增加,RMSE 值呈增加趨勢(shì)。綜合觀察6 個(gè)觀測(cè)點(diǎn)達(dá)到最小誤差的輸入步長(zhǎng)及相應(yīng)的自相關(guān)系數(shù)值,可以發(fā)現(xiàn), 當(dāng)輸入步長(zhǎng)的自相關(guān)系數(shù)在0.47~0.51 之間時(shí),LSTM 可以獲得較好的擬合效果和較好的精度。

    圖5 LSTM 不同輸入步長(zhǎng)RMSE 及ACFFig.5 RMSE and ACF of different time step of LSTM

    2.3.4 結(jié)果分析

    通過(guò)對(duì)交通流時(shí)間序列進(jìn)行自相關(guān)分析,結(jié)合3 種模型不同輸入步長(zhǎng)的預(yù)測(cè)結(jié)果,3 種模型最佳輸入步長(zhǎng)的自相關(guān)系數(shù)值如表1 所示。 其中,LSSVM 以及LSTM 最佳輸入步長(zhǎng)的自相關(guān)系數(shù)有一定的規(guī)律, 通過(guò)時(shí)間序列的自相關(guān)分析,LSSVM可以選取自相關(guān)系數(shù)在0.80~0.91 的輸入步長(zhǎng),LSTM 則可以選取自相關(guān)系數(shù)在0.47~0.51 的輸入步長(zhǎng), 而RF 預(yù)測(cè)模型中精度較好的輸入步長(zhǎng)與其相應(yīng)的自相關(guān)系數(shù)之間的規(guī)律難以找到,數(shù)據(jù)自相關(guān)分析的方法可能并不適用。

    表1 各模型最佳輸入步長(zhǎng)及自相關(guān)系數(shù)值Tab.1 Optimal time step and autocorrelation coefficient of each model

    3 結(jié)論

    基于交通流時(shí)間序列的自相關(guān)分析,選用機(jī)器學(xué)習(xí)中常用的LSSVM、RF、LSTM 模型進(jìn)行預(yù)測(cè),提出一種自適應(yīng)選取最佳輸入步長(zhǎng)的方法。

    1) 當(dāng)采用LSSVM 模型時(shí), 建議選用自相關(guān)系數(shù)值在0.80~0.91 的輸入步長(zhǎng),RMSE 值可能有最小值,預(yù)測(cè)精度較高。

    2) 采用LSTM 模型進(jìn)行交通流預(yù)測(cè)時(shí),可以選取自相關(guān)系數(shù)值在0.47~0.51 的輸入步長(zhǎng), 預(yù)測(cè)誤差較低。

    3) 選用RF 模型進(jìn)行交通流預(yù)測(cè)時(shí),預(yù)測(cè)誤差最小的輸入步長(zhǎng)較大或者自相關(guān)程度較低,通過(guò)時(shí)間序列的自相關(guān)分析選擇輸入步長(zhǎng)的方法可能并不適用, 針對(duì)RF 模型的最佳輸入步長(zhǎng)選擇方法需要進(jìn)一步的研究。

    猜你喜歡
    觀測(cè)點(diǎn)交通流步長(zhǎng)
    基于Armijo搜索步長(zhǎng)的BFGS與DFP擬牛頓法的比較研究
    高速公路網(wǎng)連續(xù)式交通量調(diào)查觀測(cè)點(diǎn)布設(shè)方法研究
    智能城市(2021年3期)2021-04-12 04:40:50
    洛陽(yáng)市老城區(qū)西大街空間形態(tài)與熱環(huán)境耦合關(guān)系實(shí)測(cè)研究
    綠色科技(2019年12期)2019-07-15 11:13:02
    交通流隨機(jī)行為的研究進(jìn)展
    張掖市甘州區(qū)代表性觀測(cè)點(diǎn)地下水位變化特征分析
    路內(nèi)停車對(duì)交通流延誤影響的定量分析
    基于升降溫全曲線的鋼筋混凝土梁溫度場(chǎng)分析
    基于逐維改進(jìn)的自適應(yīng)步長(zhǎng)布谷鳥搜索算法
    具有負(fù)壓力的Aw-Rascle交通流的Riemann問題
    一種新型光伏系統(tǒng)MPPT變步長(zhǎng)滯環(huán)比較P&O法
    欧美色欧美亚洲另类二区| 日韩人妻高清精品专区| 日本精品一区二区三区蜜桃| 黄片大片在线免费观看| 国产高清三级在线| 成人特级黄色片久久久久久久| 无遮挡黄片免费观看| 亚洲内射少妇av| 国产亚洲精品久久久com| 国产高清视频在线观看网站| 久久天躁狠狠躁夜夜2o2o| 国产精品久久久久久久久免 | 亚洲国产精品久久男人天堂| 特级一级黄色大片| 国产一区二区在线观看日韩 | 久久久久久久亚洲中文字幕 | 美女黄网站色视频| 午夜精品在线福利| 99久久精品一区二区三区| 精品国产超薄肉色丝袜足j| 日韩欧美一区二区三区在线观看| 亚洲五月天丁香| 午夜福利成人在线免费观看| av福利片在线观看| 国产私拍福利视频在线观看| av视频在线观看入口| 18禁黄网站禁片午夜丰满| 在线播放国产精品三级| 精品不卡国产一区二区三区| 88av欧美| 国产欧美日韩一区二区精品| 欧美最黄视频在线播放免费| 悠悠久久av| 欧美黑人欧美精品刺激| 毛片女人毛片| 亚洲人成网站高清观看| 一进一出抽搐gif免费好疼| 99热只有精品国产| 久久性视频一级片| 午夜精品一区二区三区免费看| 亚洲 欧美 日韩 在线 免费| 99热只有精品国产| 好男人在线观看高清免费视频| 在线播放国产精品三级| 色哟哟哟哟哟哟| 深夜精品福利| 亚洲成人久久爱视频| 日日夜夜操网爽| 12—13女人毛片做爰片一| 亚洲18禁久久av| 嫁个100分男人电影在线观看| 在线播放国产精品三级| 日韩欧美 国产精品| 88av欧美| 免费在线观看成人毛片| 亚洲最大成人中文| 国产免费av片在线观看野外av| 色播亚洲综合网| 色av中文字幕| 成年版毛片免费区| 久久精品国产清高在天天线| 最后的刺客免费高清国语| av黄色大香蕉| 熟女电影av网| 久久香蕉国产精品| 最新在线观看一区二区三区| 国产精品1区2区在线观看.| 久久婷婷人人爽人人干人人爱| 国产精品 国内视频| 精品久久久久久成人av| 国产午夜福利久久久久久| 美女高潮喷水抽搐中文字幕| 美女 人体艺术 gogo| 国产伦精品一区二区三区四那| 12—13女人毛片做爰片一| 成年女人永久免费观看视频| 免费看日本二区| 天天一区二区日本电影三级| 免费电影在线观看免费观看| 亚洲人与动物交配视频| 中文字幕av在线有码专区| 又粗又爽又猛毛片免费看| 久久久精品欧美日韩精品| 很黄的视频免费| 中文资源天堂在线| 18禁黄网站禁片免费观看直播| 日日干狠狠操夜夜爽| 一卡2卡三卡四卡精品乱码亚洲| 亚洲av五月六月丁香网| 国产精品一区二区三区四区久久| 欧美日韩福利视频一区二区| 老司机深夜福利视频在线观看| 精品久久久久久,| 91在线精品国自产拍蜜月 | www.999成人在线观看| tocl精华| 韩国av一区二区三区四区| 亚洲美女黄片视频| 欧美zozozo另类| 蜜桃久久精品国产亚洲av| 三级男女做爰猛烈吃奶摸视频| 久久精品国产清高在天天线| 午夜激情欧美在线| 国产探花极品一区二区| 国产私拍福利视频在线观看| x7x7x7水蜜桃| 无限看片的www在线观看| 男人舔女人下体高潮全视频| 精品一区二区三区视频在线 | 亚洲国产欧美人成| 午夜福利在线观看吧| 五月玫瑰六月丁香| 成人三级黄色视频| 他把我摸到了高潮在线观看| 久久精品国产亚洲av香蕉五月| 91麻豆精品激情在线观看国产| www.999成人在线观看| 最后的刺客免费高清国语| www国产在线视频色| 亚洲最大成人中文| 最好的美女福利视频网| 国产黄a三级三级三级人| 18禁美女被吸乳视频| 青草久久国产| 欧美中文综合在线视频| 在线观看舔阴道视频| 一区福利在线观看| 亚洲无线在线观看| 久久九九热精品免费| 校园春色视频在线观看| 真人做人爱边吃奶动态| 精品国产超薄肉色丝袜足j| 国产高清激情床上av| 极品教师在线免费播放| 亚洲欧美日韩高清专用| 丁香六月欧美| 国产精品香港三级国产av潘金莲| 午夜老司机福利剧场| 午夜精品一区二区三区免费看| 波多野结衣高清无吗| 亚洲欧美一区二区三区黑人| 一级毛片女人18水好多| 亚洲真实伦在线观看| 岛国在线免费视频观看| 观看免费一级毛片| 亚洲自拍偷在线| 老鸭窝网址在线观看| 久久久精品大字幕| 色噜噜av男人的天堂激情| 在线观看午夜福利视频| 欧美日韩国产亚洲二区| 久久中文看片网| 51国产日韩欧美| 少妇熟女aⅴ在线视频| 国产91精品成人一区二区三区| 99精品久久久久人妻精品| 欧美乱码精品一区二区三区| 亚洲,欧美精品.| 午夜激情欧美在线| 国语自产精品视频在线第100页| 99精品欧美一区二区三区四区| 狂野欧美白嫩少妇大欣赏| 国产精品99久久久久久久久| 天堂动漫精品| 精品日产1卡2卡| 亚洲电影在线观看av| a级毛片a级免费在线| 成熟少妇高潮喷水视频| 久久精品人妻少妇| 久久久久九九精品影院| 国产精品乱码一区二三区的特点| 国产成人福利小说| 亚洲第一电影网av| 亚洲乱码一区二区免费版| 免费看十八禁软件| 国产免费男女视频| 国产黄a三级三级三级人| www国产在线视频色| 全区人妻精品视频| 淫秽高清视频在线观看| 观看免费一级毛片| 最好的美女福利视频网| 久久久久国内视频| 一个人看视频在线观看www免费 | 国产在视频线在精品| 99国产精品一区二区三区| 亚洲成人中文字幕在线播放| 男人和女人高潮做爰伦理| 日本在线视频免费播放| 91字幕亚洲| 亚洲黑人精品在线| 韩国av一区二区三区四区| 国产精品久久久人人做人人爽| 在线观看日韩欧美| 波野结衣二区三区在线 | 国产高清三级在线| 一a级毛片在线观看| 麻豆国产av国片精品| 日韩国内少妇激情av| 黄片小视频在线播放| 免费在线观看亚洲国产| 精品久久久久久久人妻蜜臀av| 国产午夜精品久久久久久一区二区三区 | 国产单亲对白刺激| 欧美一区二区精品小视频在线| 亚洲av熟女| 看免费av毛片| 久久久久久久久大av| 免费在线观看亚洲国产| 精品一区二区三区人妻视频| 欧美成人a在线观看| 国产精品野战在线观看| 99热只有精品国产| 法律面前人人平等表现在哪些方面| 日本免费一区二区三区高清不卡| 久久天躁狠狠躁夜夜2o2o| 免费av观看视频| 精品国产三级普通话版| 首页视频小说图片口味搜索| 91久久精品电影网| 亚洲五月婷婷丁香| 国产视频内射| 午夜福利在线观看免费完整高清在 | 99久久无色码亚洲精品果冻| 91在线观看av| 亚洲精品美女久久久久99蜜臀| 中文字幕精品亚洲无线码一区| 国产精品乱码一区二三区的特点| 淫秽高清视频在线观看| 免费观看精品视频网站| 国产一区二区在线观看日韩 | 全区人妻精品视频| 免费搜索国产男女视频| 成人永久免费在线观看视频| 有码 亚洲区| 亚洲久久久久久中文字幕| 亚洲 国产 在线| 欧美黑人巨大hd| 少妇的逼水好多| 国产91精品成人一区二区三区| 欧美丝袜亚洲另类 | 激情在线观看视频在线高清| 亚洲性夜色夜夜综合| 欧美大码av| 亚洲自拍偷在线| 国产欧美日韩一区二区精品| 日韩中文字幕欧美一区二区| 国产精品 国内视频| netflix在线观看网站| 99精品欧美一区二区三区四区| 特大巨黑吊av在线直播| 亚洲成人精品中文字幕电影| bbb黄色大片| 三级男女做爰猛烈吃奶摸视频| 国内毛片毛片毛片毛片毛片| 亚洲av中文字字幕乱码综合| 国产成年人精品一区二区| 人妻久久中文字幕网| 好男人电影高清在线观看| 日韩欧美精品免费久久 | 国产一区二区在线观看日韩 | av在线蜜桃| 欧美成人a在线观看| 好看av亚洲va欧美ⅴa在| 十八禁网站免费在线| 国产精品三级大全| 天堂网av新在线| 午夜a级毛片| 日本撒尿小便嘘嘘汇集6| 亚洲精品在线美女| 国产精品久久视频播放| 老司机在亚洲福利影院| 两个人视频免费观看高清| 中文字幕av在线有码专区| 美女高潮喷水抽搐中文字幕| 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 | 香蕉av资源在线| www国产在线视频色| 国产乱人视频| av女优亚洲男人天堂| 变态另类成人亚洲欧美熟女| 久久久久久久精品吃奶| 韩国av一区二区三区四区| 天堂√8在线中文| 亚洲第一电影网av| 搡女人真爽免费视频火全软件 | 亚洲精品在线观看二区| 亚洲成人久久爱视频| 日本黄色视频三级网站网址| 日韩高清综合在线| 变态另类成人亚洲欧美熟女| 亚洲精品影视一区二区三区av| 成人永久免费在线观看视频| 欧美一区二区亚洲| 老司机福利观看| 日本成人三级电影网站| 一二三四社区在线视频社区8| aaaaa片日本免费| 日韩精品中文字幕看吧| 久久久久久久久大av| 久99久视频精品免费| 国产免费男女视频| 高清日韩中文字幕在线| 久99久视频精品免费| 少妇熟女aⅴ在线视频| 高清日韩中文字幕在线| 午夜激情欧美在线| 日韩国内少妇激情av| 香蕉av资源在线| 女警被强在线播放| 少妇熟女aⅴ在线视频| 亚洲精品色激情综合| 在线看三级毛片| 波野结衣二区三区在线 | xxxwww97欧美| 亚洲精品一卡2卡三卡4卡5卡| 中文字幕人妻丝袜一区二区| 97超级碰碰碰精品色视频在线观看| 欧美不卡视频在线免费观看| 亚洲18禁久久av| www国产在线视频色| 精品国产超薄肉色丝袜足j| 99国产综合亚洲精品| www.熟女人妻精品国产| av国产免费在线观看| av片东京热男人的天堂| 大型黄色视频在线免费观看| 三级毛片av免费| 国产高清视频在线播放一区| 精品熟女少妇八av免费久了| 成人av一区二区三区在线看| 国产欧美日韩一区二区精品| 91久久精品电影网| 女警被强在线播放| 神马国产精品三级电影在线观看| 欧美色欧美亚洲另类二区| 又粗又爽又猛毛片免费看| 国产淫片久久久久久久久 | 亚洲精品一区av在线观看| 狂野欧美白嫩少妇大欣赏| 老熟妇仑乱视频hdxx| 国产精品嫩草影院av在线观看 | 99热这里只有是精品50| 五月玫瑰六月丁香| 免费人成在线观看视频色| 波多野结衣高清作品| 久久久久久久亚洲中文字幕 | 1024手机看黄色片| 国产极品精品免费视频能看的| 高清毛片免费观看视频网站| 欧美区成人在线视频| 欧美成人一区二区免费高清观看| 熟女电影av网| 欧美成狂野欧美在线观看| 国产精品久久久久久久电影 | 男人舔奶头视频| 国产精品美女特级片免费视频播放器| 久久精品人妻少妇| 99久久精品国产亚洲精品| 99国产极品粉嫩在线观看| 无人区码免费观看不卡| 波多野结衣高清无吗| 中文字幕精品亚洲无线码一区| 国产乱人视频| 两人在一起打扑克的视频| 免费看a级黄色片| av片东京热男人的天堂| 日韩成人在线观看一区二区三区| 色av中文字幕| www.色视频.com| 久久久久精品国产欧美久久久| 色综合亚洲欧美另类图片| 99久久成人亚洲精品观看| 国产精品久久久人人做人人爽| 国内久久婷婷六月综合欲色啪| 草草在线视频免费看| 色尼玛亚洲综合影院| 婷婷六月久久综合丁香| 真实男女啪啪啪动态图| 99在线人妻在线中文字幕| 美女被艹到高潮喷水动态| 国产国拍精品亚洲av在线观看 | 香蕉av资源在线| 亚洲天堂国产精品一区在线| 一二三四社区在线视频社区8| 中文字幕久久专区| 午夜福利免费观看在线| 又黄又粗又硬又大视频| 久久6这里有精品| 又黄又爽又免费观看的视频| 午夜福利在线观看吧| 熟女电影av网| 在线观看日韩欧美| 日本五十路高清| 日本黄色片子视频| 国产精品香港三级国产av潘金莲| 日韩欧美国产在线观看| АⅤ资源中文在线天堂| 午夜免费男女啪啪视频观看 | 亚洲人成网站在线播放欧美日韩| 最近最新免费中文字幕在线| 动漫黄色视频在线观看| 麻豆成人午夜福利视频| 婷婷精品国产亚洲av在线| 亚洲成a人片在线一区二区| 亚洲美女黄片视频| 亚洲人成网站在线播| www.色视频.com| 真实男女啪啪啪动态图| 国产一区二区亚洲精品在线观看| 久久久久免费精品人妻一区二区| 国产高清有码在线观看视频| 欧美日韩综合久久久久久 | 国产成年人精品一区二区| 一级毛片女人18水好多| 久久久精品欧美日韩精品| 亚洲成av人片在线播放无| 在线观看美女被高潮喷水网站 | 精品国内亚洲2022精品成人| 琪琪午夜伦伦电影理论片6080| 看片在线看免费视频| 久久中文看片网| 欧美极品一区二区三区四区| 他把我摸到了高潮在线观看| 99热精品在线国产| 99国产综合亚洲精品| 在线十欧美十亚洲十日本专区| 欧美黑人巨大hd| 成人特级黄色片久久久久久久| 99在线视频只有这里精品首页| 亚洲精品亚洲一区二区| 老司机午夜福利在线观看视频| 久久亚洲精品不卡| 两个人看的免费小视频| 女生性感内裤真人,穿戴方法视频| 在线国产一区二区在线| 欧美成人性av电影在线观看| 全区人妻精品视频| 亚洲最大成人手机在线| 国产日本99.免费观看| 国产精品久久久久久久电影 | 成人高潮视频无遮挡免费网站| 综合色av麻豆| 精品一区二区三区av网在线观看| 在线观看一区二区三区| 亚洲欧美激情综合另类| 国产爱豆传媒在线观看| 亚洲精品久久国产高清桃花| 99国产精品一区二区三区| АⅤ资源中文在线天堂| 久久久久精品国产欧美久久久| 搡老岳熟女国产| 国产中年淑女户外野战色| 日韩中文字幕欧美一区二区| 亚洲av熟女| 香蕉久久夜色| 五月玫瑰六月丁香| 久久久久精品国产欧美久久久| 午夜a级毛片| 精品日产1卡2卡| 日韩欧美精品v在线| 国产视频内射| 亚洲av成人不卡在线观看播放网| www.www免费av| 熟妇人妻久久中文字幕3abv| 亚洲精品粉嫩美女一区| 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 | 白带黄色成豆腐渣| 亚洲av一区综合| 午夜免费男女啪啪视频观看 | 国产成人av教育| 中文亚洲av片在线观看爽| 色播亚洲综合网| 日本熟妇午夜| 午夜亚洲福利在线播放| 搡老熟女国产l中国老女人| a级毛片a级免费在线| 免费观看精品视频网站| 精品乱码久久久久久99久播| 天堂av国产一区二区熟女人妻| 国产黄色小视频在线观看| 亚洲av五月六月丁香网| 麻豆成人午夜福利视频| 成人三级黄色视频| 日本一本二区三区精品| 99国产综合亚洲精品| 黄色成人免费大全| 99在线视频只有这里精品首页| 午夜影院日韩av| 高清在线国产一区| 成人特级av手机在线观看| 欧美日韩瑟瑟在线播放| 精品欧美国产一区二区三| 免费看a级黄色片| 成人18禁在线播放| 丰满乱子伦码专区| 国产乱人伦免费视频| 国产淫片久久久久久久久 | 久久久久久久久久黄片| 欧美乱码精品一区二区三区| 亚洲精品久久国产高清桃花| 日韩精品青青久久久久久| 99热这里只有精品一区| 久久香蕉国产精品| 少妇高潮的动态图| 亚洲人成电影免费在线| 一a级毛片在线观看| 国产色婷婷99| 亚洲七黄色美女视频| 日本黄色视频三级网站网址| 国产97色在线日韩免费| 宅男免费午夜| 韩国av一区二区三区四区| 中国美女看黄片| 好男人电影高清在线观看| 熟女少妇亚洲综合色aaa.| 日本精品一区二区三区蜜桃| 搞女人的毛片| 久久性视频一级片| 国产真实伦视频高清在线观看 | 成人18禁在线播放| 久久久久久大精品| av福利片在线观看| 久久久久性生活片| 国产私拍福利视频在线观看| 好看av亚洲va欧美ⅴa在| 最后的刺客免费高清国语| 亚洲精品在线观看二区| 午夜久久久久精精品| 亚洲无线在线观看| 久久国产精品影院| 国产日本99.免费观看| 精品国产美女av久久久久小说| 午夜日韩欧美国产| 最后的刺客免费高清国语| av中文乱码字幕在线| 精品人妻一区二区三区麻豆 | 国产激情偷乱视频一区二区| 亚洲av熟女| 12—13女人毛片做爰片一| 亚洲av不卡在线观看| 亚洲熟妇中文字幕五十中出| 757午夜福利合集在线观看| 国产淫片久久久久久久久 | 亚洲内射少妇av| 手机成人av网站| 狂野欧美白嫩少妇大欣赏| 国产免费av片在线观看野外av| 国产亚洲精品综合一区在线观看| 国产成人影院久久av| 色在线成人网| 亚洲欧美日韩高清在线视频| 两个人视频免费观看高清| 日韩欧美 国产精品| 99热这里只有精品一区| 九九热线精品视视频播放| 精品不卡国产一区二区三区| 最新在线观看一区二区三区| 亚洲熟妇中文字幕五十中出| 激情在线观看视频在线高清| 少妇人妻精品综合一区二区 | 深爱激情五月婷婷| 成人特级黄色片久久久久久久| 久久精品国产99精品国产亚洲性色| 亚洲精品美女久久久久99蜜臀| 国产毛片a区久久久久| 成年免费大片在线观看| 日本精品一区二区三区蜜桃| 欧美最黄视频在线播放免费| 亚洲欧美日韩卡通动漫| 一区二区三区高清视频在线| 精品99又大又爽又粗少妇毛片 | www.999成人在线观看| 日韩精品中文字幕看吧| 无人区码免费观看不卡| 18禁国产床啪视频网站| 伊人久久精品亚洲午夜| 可以在线观看的亚洲视频| 色综合亚洲欧美另类图片| 国产伦在线观看视频一区| 欧美色视频一区免费| 午夜a级毛片| 欧美高清成人免费视频www| 禁无遮挡网站| 男人舔女人下体高潮全视频| 日韩欧美在线乱码| 毛片女人毛片| 久久精品夜夜夜夜夜久久蜜豆| 小蜜桃在线观看免费完整版高清| 欧美xxxx黑人xx丫x性爽| 亚洲自拍偷在线| 窝窝影院91人妻| 在线观看午夜福利视频| 亚洲精品日韩av片在线观看 | 88av欧美| 亚洲色图av天堂| 亚洲人成伊人成综合网2020| 97超视频在线观看视频| 少妇熟女aⅴ在线视频| 热99re8久久精品国产| 91麻豆精品激情在线观看国产| 久久精品国产亚洲av涩爱 | 国产伦一二天堂av在线观看| 一级作爱视频免费观看| 久久久成人免费电影| 欧美绝顶高潮抽搐喷水| 18禁黄网站禁片午夜丰满| 丰满人妻一区二区三区视频av | 国内毛片毛片毛片毛片毛片| 日韩欧美 国产精品| 日韩欧美国产在线观看| 亚洲七黄色美女视频| 国产精品久久久久久亚洲av鲁大| 淫妇啪啪啪对白视频| 夜夜爽天天搞|