• <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critic組合預(yù)測方法的共享單車故障預(yù)測

    2022-11-09 09:53:06楊江輝熊禾根
    工業(yè)工程 2022年5期
    關(guān)鍵詞:權(quán)法徑向單車

    蔡 蕓,楊江輝,熊禾根

    (武漢科技大學(xué) 冶金裝備及其控制教育部重點實驗室,機械傳動與制造工程湖北省重點實驗室,湖北 武漢 430081)

    無樁式共享單車的出現(xiàn)為人們的出行提供了便利,但單車故障問題也大量出現(xiàn)。Kaspi等[1]指出,即使故障共享單車的比例很小,仍然會嚴重地影響用戶對整個共享單車系統(tǒng)的滿意度。故障共享單車不僅降低了共享單車運營企業(yè)的服務(wù)品質(zhì),還嚴重威脅騎行乘客的安全。因此,及時回收故障單車成為企業(yè)亟待解決的問題。

    目前研究共享單車的故障預(yù)測問題的文獻很少,其研究對象分為有樁式共享單車系統(tǒng)和無樁式共享單車系統(tǒng)。研究問題大致可分為兩類:預(yù)測每一輛單車的故障狀態(tài)和預(yù)測站內(nèi)故障單車的數(shù)量問題。例如,Kaspi等[2]用貝葉斯模型對停放在站內(nèi)的每一輛有樁單車進行故障預(yù)測。趙明明[3]用Cox比例風(fēng)險模型,考慮單車的使用時間、環(huán)境等因素,對站內(nèi)每一輛有樁單車進行故障預(yù)測。Zhang等[4]用邏輯回歸模型,考慮騎行速度、維修次數(shù)等因素,計算每一輛無樁單車的損壞概率。張巍等[5]考慮單車故障概率隨模糊站點的使用強度不同而近似服從正態(tài)分布,來預(yù)測故障無樁單車數(shù)量。常山[6]考慮維修站影響區(qū)域、共享單車投射面積,提出故障單車區(qū)域密度公式,來預(yù)測故障無樁單車數(shù)量。

    上述研究都取得了較好的理論成果,但存在如下問題:1) 單一預(yù)測模型考慮因素有限,導(dǎo)致系統(tǒng)誤差預(yù)測風(fēng)險大[7];2) 多數(shù)模型未考慮單車使用時間、頻率等預(yù)測因素的影響;3) 部分模型雖然考慮了預(yù)測因素的影響,但將所有因素同等看待,忽略了不同預(yù)測因素造成單車故障的重要程度不同。

    針對上述問題,本文對上海市寶山區(qū)4月份共享單車騎行數(shù)據(jù)進行深入分析,應(yīng)用改進熵權(quán)法對故障單車的預(yù)測因素(騎行時長、距離等)賦予不同權(quán)值,進而得到每一輛單車的分值,再對所有分值進行平均優(yōu)化處理。在此基礎(chǔ)上,以BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)和ELMAN神經(jīng)網(wǎng)絡(luò)3種單一預(yù)測模型,建立基于critic權(quán)重的組合預(yù)測模型,并將其應(yīng)用于單車故障預(yù)測,以期降低預(yù)測風(fēng)險。

    1 基于改進熵權(quán)法的共享單車故障預(yù)測因素分析

    1.1 預(yù)測因素的選取

    故障預(yù)測因素常采用騎行總距離、騎行次數(shù)、騎行速度、騎行總時長、維修次數(shù)以及共享單車自投放經(jīng)歷的惡劣天氣次數(shù)等[3-4]。本文對上海市2019年4月份無樁式共享單車用戶騎行數(shù)據(jù)(交易編號、車輛ID、騎行起點經(jīng)緯度、騎行終點經(jīng)緯度、租賃時間、還車時間等)進行分析,得到以下結(jié)論:故障單車租借騎行時長常會低于無故障單車的騎行時長,尤其是騎行時間低于1 min的時候故障單車數(shù)量暴增,同時騎行距離低于300 m時,故障車輛的數(shù)量也遠遠大于無故障單車,其原因可能是顧客試騎后發(fā)現(xiàn)單車故障,提前鎖車所致;此外,在無惡劣天氣和環(huán)境影響的情況下,單車停滯時間過長大概率表示單車出現(xiàn)故障;單車在地鐵口、公交站、商業(yè)街等熱門區(qū)域的停滯時間和使用頻率與單車故障有相關(guān)性,與同區(qū)域單車相比,單車停滯天數(shù)過長,日租借次數(shù)過多或過少,預(yù)示著單車出現(xiàn)故障。

    因此,本文選擇的共享單車故障預(yù)測因素包括服務(wù)時間低于1min的次數(shù)、服務(wù)路程低于300m的次數(shù)、停滯天數(shù)、熱門點停滯天數(shù)、日平均租借次數(shù)、熱門點日平均租借次數(shù)、租借均差值。其中,單車日平均租借次數(shù)包含該單車的熱門點日平均租借次數(shù)。租借均差值是某單車日均租借次數(shù)與近段時間該區(qū)域日均租借次數(shù)的差的絕對值。該絕對值越大表示單車租借次數(shù)過多或者過少,都預(yù)示著存在故障風(fēng)險。

    1.2 改進熵權(quán)法

    在對多個影響因素進行綜合評價時,各影響因素權(quán)值的分配是量化評估的關(guān)鍵。為此,本文應(yīng)用改進熵權(quán)法對共享單車故障預(yù)測的各個預(yù)測因素予以不同權(quán)重。熵權(quán)的獲得建立在評價矩陣的基礎(chǔ)之上,在一個具有i組數(shù)據(jù)、j個預(yù)測因素的評估體系中,評價矩陣和改進熵權(quán)求解步驟如下。

    第4步 用本文改進公式計算各項指標的權(quán)值,改進公式如下。

    針對傳統(tǒng)熵權(quán)法出現(xiàn)的問題,文獻[8](記為改進熵權(quán)法1)和文獻[9](記為改進熵權(quán)法2)對各項指標的權(quán)值公式進行改進,但仍存在不足之處(如表1所示),因此本文提出以下改進。

    式中,wj表 示第j個預(yù)測因素的權(quán)重;Hj是第j個預(yù)測因素的熵值;H是所有不為1的熵值的平均值。以下通過3組熵值對4種熵權(quán)法進行比較。由表1可知,對于第1組數(shù)據(jù),3種改進熵權(quán)法都克服了傳統(tǒng)熵權(quán)法的權(quán)重分配問題;對于第2、3組數(shù)據(jù),改進熵權(quán)法1和2明顯縮小了熵權(quán)之間的差距。在熵值離散時,本文改進的熵權(quán)法的熵權(quán)離散效果更好。綜上,本文改進的熵權(quán)法更加合理。

    表1 改進熵權(quán)法的效果比較Table 1 Effect Comparison of improved entropy weight method

    1.3 平均優(yōu)化處理

    2 基于critic法的組合預(yù)測模型

    2.1 單項預(yù)測模型的選擇

    共享單車故障預(yù)測與單車騎行距離、頻次、時長,以及單車使用環(huán)境、天氣等多種因素有關(guān),很難用一定的數(shù)學(xué)表達式描述。人工智能方法如BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)、ELMAN神經(jīng)網(wǎng)絡(luò)等具有較強的非線性學(xué)習(xí)能力,能通過數(shù)據(jù)學(xué)習(xí)得到其內(nèi)在關(guān)系。本文選擇以上3種方法進行組合預(yù)測。

    BP神經(jīng)網(wǎng)絡(luò)模型具有良好的函數(shù)逼近特性,可以模擬任意非線性問題,由輸入層、隱含層(可以是多層)和輸出層構(gòu)成,適合處理復(fù)雜問題,使得BP神經(jīng)網(wǎng)絡(luò)成為應(yīng)用最廣泛的經(jīng)典模型之一[10]。本文BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示,神經(jīng)網(wǎng)絡(luò)輸入層為7個預(yù)測因素,神經(jīng)網(wǎng)絡(luò)輸出層為單車分值PBP。

    圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure 1 Structure of BP neural network

    徑向基函數(shù)可以避開復(fù)雜的算法來準確地完成計算和預(yù)測,其具有全局逼近擬合、訓(xùn)練速度快、不易陷入局部極小值等優(yōu)勢[11]。徑向基函數(shù)一般有輸入層、隱含層和輸出層3層,常用的徑向基函數(shù)是高斯函數(shù),徑向基函數(shù)結(jié)構(gòu)圖與BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖類似,PRBF為徑向基函數(shù)輸出單車分值。

    ELMAN神經(jīng)網(wǎng)絡(luò)與BP和RBF神經(jīng)網(wǎng)絡(luò)不同的是,它是一種典型的反饋式網(wǎng)絡(luò),在前饋式神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加了承接層用以記憶存儲前一時刻的輸出數(shù)據(jù),從而使系統(tǒng)具有適應(yīng)時變特性的能力,進而促使網(wǎng)絡(luò)適應(yīng)數(shù)據(jù)動態(tài)信息特征,提高網(wǎng)絡(luò)預(yù)測精度[12]。ELMAN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,神經(jīng)網(wǎng)絡(luò)輸入層為7個預(yù)測因素,神經(jīng)網(wǎng)絡(luò)輸出為單車分值PELMAN。

    圖2 ELMAN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure 2 Elman neural network structure

    2.2 組合預(yù)測

    2.2.1 組合預(yù)測的概念

    組合預(yù)測[13-14]是對幾種預(yù)測方法得到的預(yù)測結(jié)果,選取適當(dāng)?shù)臋?quán)重進行加權(quán)以達到提高預(yù)測精度的一種預(yù)測方法。其主要目的在于消除單一預(yù)測方法可能存在的較大偏差,提高預(yù)測的準確性。BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)、ELMAN神經(jīng)網(wǎng)絡(luò)3種預(yù)測方法組合預(yù)測的示意圖如圖3所示。其表達式為

    圖3 組合預(yù)測的示意圖Figure 3 Schematic diagram of combined forecasting

    式中, λ1、 λ2、 λ3分別為BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)、ELMAN神經(jīng)網(wǎng)絡(luò)的權(quán)值。

    2.2.2 critic權(quán)重法

    本文采用cirtic法對組合預(yù)測模型進行賦權(quán)。該方法既突出數(shù)據(jù)間的相互關(guān)系,又體現(xiàn)數(shù)據(jù)波動性,由此建立一個能夠全面考慮到各種單項預(yù)測方法所提供的信息的組合預(yù)測模型,達到客觀、準確的預(yù)測效果。critic權(quán)重計算具體步驟如下。

    首先設(shè)對n種預(yù)測方法用m個評價指標(MAE、MSE等)去評價,得到誤差評價矩陣。

    其中,yij表示第j種預(yù)測方法用第i個指標進行評價得到的評估值。

    再進行歸一化處理和數(shù)據(jù)變異性及沖突性計算,最后計算權(quán)重。

    2.3 模型評價

    對于BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)、ELMAN神經(jīng)網(wǎng)絡(luò)和組合預(yù)測輸出的每一輛共享單車預(yù)測分值,使用下列公式進行評判單車故障或良好。

    針對誤差評價矩陣的評價指標,本文選擇平均絕對誤差MAE、均方誤差MSE、均方根誤差RMSE和平均絕對百分比誤差MAPE這4種誤差指標。

    3 實例分析

    針對實例有假設(shè)如下。假設(shè)此區(qū)域內(nèi)沒有跨區(qū)單車;預(yù)測過程中,此區(qū)域沒有新的故障單車產(chǎn)生;暫不考慮3年報廢車輛。為驗證本文所提出的方法的有效性,以2019年上海市4月份原始(該月份天氣晴朗)共享單車數(shù)據(jù)為例,通過原始數(shù)據(jù)分析得到,對應(yīng)7個預(yù)測因素(服務(wù)時間低于1 min的次數(shù)、服務(wù)路程低于300 m的次數(shù)、停滯天數(shù)、熱門點停滯天數(shù)、日平均租借次數(shù)、熱門點日平均租借次數(shù)、租借均差值)的700組單車數(shù)據(jù),其中,90輛為故障單車數(shù)據(jù),610輛為無故障車數(shù)據(jù)。部分數(shù)據(jù)內(nèi)容如表2所示。

    表2 原始數(shù)據(jù)Table 2 Raw data

    3.1 數(shù)據(jù)處理

    首先將7個預(yù)測因素和700組數(shù)據(jù)對應(yīng)的矩陣X,分別代入改進熵權(quán)法1[8]、改進熵權(quán)法 2[9]、本文改進熵權(quán)法中,可以得到7個預(yù)測因素所對應(yīng)的權(quán)值,如表3所示。

    表3 改進熵權(quán)法實例比較Table 3 Example comparison of improved entropy weight method

    表3中,X1、X2、X3、X4、X5、X6、X7分別表示單車服務(wù)時間低于1 min的次數(shù)、服務(wù)路程低于300 m的次數(shù)、停滯天數(shù)、熱門點停滯天數(shù)、日平均租借次數(shù)、熱門點日平均租借次數(shù)、租借均差值。從權(quán)重數(shù)值分布來看,改進熵權(quán)法1和改進熵權(quán)法2縮小了熵權(quán)之間的差距,本文改進熵權(quán)離散效果更好,權(quán)重分配更為合理。

    然后將上面得到的改進權(quán)重代入式(7)、(8)、(9)、(17)計算,可以分別得到AVE1=1.5、AVE2= 0.9、θ = 1以及平均處理優(yōu)化后的單車分值集合Z。

    3.2 單一模型預(yù)測

    3.2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測

    本文基于Matlab編程應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測。在具體設(shè)計時,首先依據(jù)經(jīng)驗公式[15]初步確定隱含層神經(jīng)元個數(shù),再通過對不同神經(jīng)元數(shù)的網(wǎng)絡(luò)進行訓(xùn)練和對比,最終確定神經(jīng)元數(shù)。隨機選取640組數(shù)據(jù)作為訓(xùn)練樣本(580組無故障車和60組故障單車數(shù)據(jù))和60組數(shù)據(jù)作為測試樣本(30組無故障車和30組故障單車數(shù)據(jù))。經(jīng)過測算,確定BP神經(jīng)網(wǎng)絡(luò)模型為12個隱層神經(jīng)元,網(wǎng)絡(luò)預(yù)測性能最佳。從輸入層到隱含層以及從隱含層到輸出層的傳遞函數(shù)分別采用雙曲正切s型傳遞函數(shù)和線性傳遞函數(shù),訓(xùn)練函數(shù)采用trainlm函數(shù)。運行結(jié)果如圖4所示,其中1 ~ 30和31 ~ 60組數(shù)據(jù)分別為故障單車和無故障車,其平均絕對百分比誤差為9.4%,預(yù)測準確率達到了86.7%。

    圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測Figure 4 Prediction diagram of BP neural network

    3.2.2 徑向基函數(shù)預(yù)測

    本文基于Matlab編程實現(xiàn)應(yīng)用徑向基函數(shù)的預(yù)測。訓(xùn)練集和測試集數(shù)據(jù)與BP神經(jīng)網(wǎng)絡(luò)模型一樣,利用newrbe函數(shù)創(chuàng)建一個精確的神經(jīng)網(wǎng)絡(luò)。該函數(shù)在創(chuàng)建網(wǎng)絡(luò)時,將自動選擇隱含層的數(shù)目,使得誤差為零。針對徑向基函數(shù)的分布密度。本文對訓(xùn)練集樣本進行多次反復(fù)訓(xùn)練,當(dāng)spread = 0.5時,網(wǎng)絡(luò)預(yù)測性能最佳。運行結(jié)果如圖5所示,其平均絕對百分比誤差為10.3%,其預(yù)測準確率達到86.7%。

    圖5 徑向基函數(shù)預(yù)測Figure 5 Prediction diagram of radial basis function

    3.2.3 ELMAN神經(jīng)網(wǎng)絡(luò)預(yù)測

    本文基于Matlab編程實現(xiàn)應(yīng)用ELMAN神經(jīng)網(wǎng)絡(luò)的預(yù)測。訓(xùn)練集和測試集數(shù)據(jù)與BP神經(jīng)網(wǎng)絡(luò)模型一樣。經(jīng)過測算,確定ELMAN神經(jīng)網(wǎng)絡(luò)模型為13個隱層神經(jīng)元,網(wǎng)絡(luò)預(yù)測性能最佳。從輸入層到隱含層以及從隱含層到輸出層的傳遞函數(shù)分別采用雙曲正切s型傳遞函數(shù)和線性傳遞函數(shù),訓(xùn)練函數(shù)采用trainlm函數(shù)。運行結(jié)果如圖6所示,其平均絕對百分比誤差為10.0%,預(yù)測準確率達到85%。

    圖6 ELMAN神經(jīng)網(wǎng)絡(luò)預(yù)測Figure 6 Prediction diagram of Elman neural network

    3.3 組合模型預(yù)測

    將3種單一預(yù)測模型輸出的預(yù)測分值和集合Z代入式(18) ~ (21)中計算,可以得到評價誤差矩陣為

    將以上矩陣代入critic法中,可以得到BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)和ELMAN神經(jīng)網(wǎng)絡(luò)的權(quán)重分別為0.467、0.261、0.272,組合模型公式為

    基于Matlab平臺計算,組合預(yù)測模型預(yù)測結(jié)果如圖7所示,其平均絕對百分比誤差為6.7%,預(yù)測準確率達到93.3%。

    圖7 組合預(yù)測Figure 7 Prediction diagram of combined forecast

    4 對比分析

    第3節(jié)中單一方法預(yù)測模型和critic組合預(yù)測模型的誤差對比,反映了critic組合預(yù)測模型預(yù)測準確率有了較大的提高。

    除與各單一預(yù)測的結(jié)果進行比較外,為了體現(xiàn)critic法的優(yōu)勢,與熵權(quán)組合預(yù)測[16]進行對比,可計算出BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)和ELMAN神經(jīng)網(wǎng)絡(luò)的權(quán)重分別為0.42、0.28、0.30。表4給出單一預(yù)測方法和組合預(yù)測的誤差數(shù)據(jù)對比,其中,critic組合預(yù)測的各項誤差指標最小,預(yù)測準確率最高達到93.9%。

    表4 預(yù)測模型效果比較Table 4 Comparison of prediction model effect

    為了體現(xiàn)本文改進熵權(quán)法對后續(xù)預(yù)測的優(yōu)勢,與改進熵權(quán)法2[9]進行整體對比實驗。當(dāng)采用改進熵權(quán)法2對預(yù)測因素進行權(quán)重分配后,計算可得到AVE1為1.69、AVE2為0.83、θ為1以及平均處理優(yōu)化后的單車分值集合Z,再進行單一方法預(yù)測和critic組合預(yù)測,其誤差對比如圖8所示。表5給出采用改進熵權(quán)法2[9]后進行預(yù)測對比的數(shù)據(jù),數(shù)據(jù)表明本文改進熵權(quán)法對預(yù)測準確率有較大提高。

    圖8 基于改進熵權(quán)法2的預(yù)測誤差對比Figure 8 Comparison diagram of prediction error based on improved entropy weight method 2

    表5 基于改進熵權(quán)法2的預(yù)測模型效果比較Table 5 Comparison of prediction models based on improved entropy weight method 2

    5 結(jié)論

    本文提出改進的熵權(quán)法和基于critic的組合預(yù)測方法,充分挖掘了預(yù)測因素的信息特征,綜合利用BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)和ELMAN神經(jīng)網(wǎng)絡(luò)3種單一模型的信息。實例分析表明,相比于其他改進熵權(quán)法分配權(quán)重,利用本文改進熵權(quán)法分配權(quán)重再進行預(yù)測的模型,得到的預(yù)測準確率提高了5%左右,且采用基于critic法的組合預(yù)測方法,各個誤差指標也都有了一定程度的改善,預(yù)測結(jié)果優(yōu)于單一模型的預(yù)測結(jié)果,預(yù)測穩(wěn)定性也高于單一預(yù)測方法。這說明本文的組合預(yù)測模型具有一定的合理性和優(yōu)越性。

    猜你喜歡
    權(quán)法徑向單車
    基于熵權(quán)法的BDS鐘差組合預(yù)測模型的建立
    共享單車為什么在國外火不起來
    意林彩版(2022年1期)2022-05-03 10:25:07
    淺探徑向連接體的圓周運動
    RN上一類Kirchhoff型方程徑向?qū)ΨQ正解的存在性
    基于PID+前饋的3MN徑向鍛造機控制系統(tǒng)的研究
    重型機械(2020年3期)2020-08-24 08:31:40
    飛吧,單車
    一類無窮下級整函數(shù)的Julia集的徑向分布
    BP神經(jīng)網(wǎng)絡(luò)結(jié)合熵權(quán)法優(yōu)化甘草皂苷提取工藝
    中成藥(2017年9期)2017-12-19 13:34:30
    基于熵權(quán)法*的廣西能源安全評價
    對惡意破壞共享單車行為要“零容忍”
    亚洲av欧美aⅴ国产| 国产成人免费无遮挡视频| 国产精品免费视频内射| 老熟女久久久| 亚洲熟妇熟女久久| 制服诱惑二区| 日日夜夜操网爽| 精品少妇一区二区三区视频日本电影| 国产xxxxx性猛交| 日韩熟女老妇一区二区性免费视频| 在线观看免费日韩欧美大片| 91大片在线观看| 黄色视频在线播放观看不卡| 欧美精品高潮呻吟av久久| 视频区欧美日本亚洲| 国产av又大| av天堂久久9| a级毛片黄视频| 黑人巨大精品欧美一区二区蜜桃| 老司机影院毛片| 99热国产这里只有精品6| 我的亚洲天堂| 超碰97精品在线观看| 1024香蕉在线观看| 成人手机av| 正在播放国产对白刺激| 丰满饥渴人妻一区二区三| 国产av一区二区精品久久| 亚洲国产精品一区二区三区在线| 国产成人啪精品午夜网站| 亚洲va日本ⅴa欧美va伊人久久| 亚洲少妇的诱惑av| 黄色视频,在线免费观看| 女警被强在线播放| 搡老熟女国产l中国老女人| 日韩欧美国产一区二区入口| 日韩视频一区二区在线观看| 成年女人毛片免费观看观看9 | 女性被躁到高潮视频| 少妇精品久久久久久久| 国产福利在线免费观看视频| 成人18禁在线播放| 不卡一级毛片| av有码第一页| 首页视频小说图片口味搜索| 在线 av 中文字幕| 日韩欧美一区二区三区在线观看 | 久久性视频一级片| 久久青草综合色| 精品一区二区三区视频在线观看免费 | 国产单亲对白刺激| 欧美激情久久久久久爽电影 | 亚洲第一欧美日韩一区二区三区 | 性高湖久久久久久久久免费观看| 久久久精品国产亚洲av高清涩受| 老司机深夜福利视频在线观看| 极品少妇高潮喷水抽搐| 亚洲国产精品一区二区三区在线| 久久久久精品国产欧美久久久| 国产精品一区二区精品视频观看| 深夜精品福利| bbb黄色大片| 在线观看免费高清a一片| 成人国产一区最新在线观看| 美女高潮到喷水免费观看| 在线观看免费午夜福利视频| 一区二区三区乱码不卡18| 精品亚洲成a人片在线观看| 国产av精品麻豆| 夜夜夜夜夜久久久久| 9191精品国产免费久久| 国产xxxxx性猛交| 天天操日日干夜夜撸| 高清av免费在线| av天堂在线播放| 99re6热这里在线精品视频| 国产av又大| 啦啦啦中文免费视频观看日本| 成人av一区二区三区在线看| 久久精品人人爽人人爽视色| 亚洲国产欧美在线一区| 精品少妇一区二区三区视频日本电影| 黄色视频不卡| 亚洲精品乱久久久久久| 国产精品98久久久久久宅男小说| 精品少妇黑人巨大在线播放| 亚洲国产av影院在线观看| 精品国内亚洲2022精品成人 | 欧美av亚洲av综合av国产av| 18在线观看网站| 黄片播放在线免费| 亚洲少妇的诱惑av| 一级片免费观看大全| √禁漫天堂资源中文www| 久久国产精品影院| 日韩熟女老妇一区二区性免费视频| 久久香蕉激情| 亚洲av片天天在线观看| 日韩精品免费视频一区二区三区| 1024视频免费在线观看| 一级毛片女人18水好多| 好男人电影高清在线观看| 露出奶头的视频| 亚洲精品乱久久久久久| 国产日韩欧美视频二区| 久久久国产精品麻豆| 亚洲人成伊人成综合网2020| 国产精品99久久99久久久不卡| 久久天堂一区二区三区四区| 国产成人一区二区三区免费视频网站| 久久精品亚洲熟妇少妇任你| 国产伦理片在线播放av一区| 菩萨蛮人人尽说江南好唐韦庄| 亚洲专区字幕在线| 宅男免费午夜| 99热国产这里只有精品6| 在线观看舔阴道视频| 免费黄频网站在线观看国产| 这个男人来自地球电影免费观看| av国产精品久久久久影院| 韩国精品一区二区三区| 母亲3免费完整高清在线观看| 久久久久精品国产欧美久久久| 国产精品久久久久久精品古装| av有码第一页| 国产成人啪精品午夜网站| 亚洲欧美激情在线| 国产成人精品在线电影| 黑人猛操日本美女一级片| 中文亚洲av片在线观看爽 | 国产黄频视频在线观看| 欧美日韩国产mv在线观看视频| 亚洲国产毛片av蜜桃av| 青草久久国产| 精品国产国语对白av| 精品一区二区三卡| 一区在线观看完整版| 少妇猛男粗大的猛烈进出视频| 丁香六月天网| 两性夫妻黄色片| 国产免费视频播放在线视频| 国产一区有黄有色的免费视频| 啪啪无遮挡十八禁网站| 午夜免费鲁丝| tube8黄色片| 久久免费观看电影| 丝袜美足系列| 欧美午夜高清在线| 国产成人免费观看mmmm| 日韩中文字幕欧美一区二区| 中文字幕另类日韩欧美亚洲嫩草| 久久人妻av系列| 日韩制服丝袜自拍偷拍| 1024视频免费在线观看| 欧美乱码精品一区二区三区| a级片在线免费高清观看视频| 在线观看免费午夜福利视频| 亚洲精品一卡2卡三卡4卡5卡| 十八禁网站免费在线| 热99re8久久精品国产| 亚洲va日本ⅴa欧美va伊人久久| 久久毛片免费看一区二区三区| 亚洲天堂av无毛| 王馨瑶露胸无遮挡在线观看| 国产不卡av网站在线观看| 美女主播在线视频| 亚洲一区中文字幕在线| 国产在线视频一区二区| www.精华液| 999久久久精品免费观看国产| 色94色欧美一区二区| av网站在线播放免费| 精品国产亚洲在线| 国产av精品麻豆| 久久久精品94久久精品| 极品少妇高潮喷水抽搐| 久久人妻福利社区极品人妻图片| 后天国语完整版免费观看| 青青草视频在线视频观看| 国产亚洲一区二区精品| 1024香蕉在线观看| 69精品国产乱码久久久| 王馨瑶露胸无遮挡在线观看| 99re在线观看精品视频| 亚洲精华国产精华精| 亚洲精品成人av观看孕妇| 麻豆乱淫一区二区| 亚洲欧美色中文字幕在线| 丝袜喷水一区| 精品国产一区二区三区久久久樱花| 日韩一卡2卡3卡4卡2021年| 国产在视频线精品| 欧美av亚洲av综合av国产av| 一边摸一边做爽爽视频免费| 91老司机精品| 国产视频一区二区在线看| 少妇被粗大的猛进出69影院| 久久久久久久久久久久大奶| 美女主播在线视频| 国产成人免费无遮挡视频| 涩涩av久久男人的天堂| 91精品国产国语对白视频| 国产精品.久久久| 黄片大片在线免费观看| 精品少妇内射三级| 1024香蕉在线观看| 1024视频免费在线观看| 亚洲 欧美一区二区三区| 国产欧美日韩一区二区三区在线| 国产欧美日韩一区二区三| 亚洲av国产av综合av卡| 久久99热这里只频精品6学生| 欧美成人午夜精品| 亚洲第一青青草原| 69精品国产乱码久久久| 丁香六月欧美| 十八禁高潮呻吟视频| 欧美激情极品国产一区二区三区| 女警被强在线播放| 成人精品一区二区免费| 亚洲 国产 在线| 亚洲精品粉嫩美女一区| 日本wwww免费看| 热re99久久国产66热| 妹子高潮喷水视频| 丰满饥渴人妻一区二区三| 高清欧美精品videossex| 男女午夜视频在线观看| 久久中文看片网| 国产成人影院久久av| 亚洲欧洲精品一区二区精品久久久| 免费在线观看视频国产中文字幕亚洲| 久久精品国产a三级三级三级| 国产精品.久久久| 欧美人与性动交α欧美精品济南到| av国产精品久久久久影院| 另类精品久久| 亚洲精品国产精品久久久不卡| 久久九九热精品免费| 天堂8中文在线网| 一级a爱视频在线免费观看| 日韩欧美一区二区三区在线观看 | 中文亚洲av片在线观看爽 | 麻豆乱淫一区二区| 少妇被粗大的猛进出69影院| 满18在线观看网站| 亚洲精品乱久久久久久| 日韩免费高清中文字幕av| 中文字幕制服av| 中文字幕人妻丝袜一区二区| 亚洲专区国产一区二区| 人人妻人人添人人爽欧美一区卜| 欧美日韩av久久| 国产日韩欧美亚洲二区| 久久人妻熟女aⅴ| 欧美精品av麻豆av| 亚洲 国产 在线| 最近最新中文字幕大全免费视频| 国产激情久久老熟女| 亚洲精品国产区一区二| 久久影院123| 纯流量卡能插随身wifi吗| 在线看a的网站| 国产成人av激情在线播放| 男女午夜视频在线观看| 又大又爽又粗| 色尼玛亚洲综合影院| 亚洲全国av大片| 国产av精品麻豆| 亚洲欧洲日产国产| 日韩免费av在线播放| 狠狠狠狠99中文字幕| 国产高清videossex| 日韩精品免费视频一区二区三区| 国产成人影院久久av| 99九九在线精品视频| 人妻 亚洲 视频| 国产精品秋霞免费鲁丝片| 女性被躁到高潮视频| 亚洲精品美女久久av网站| 一本—道久久a久久精品蜜桃钙片| 国产亚洲av高清不卡| 亚洲中文av在线| 久久久国产一区二区| 亚洲三区欧美一区| 国产精品一区二区在线观看99| 久久久精品94久久精品| 男人舔女人的私密视频| 男女下面插进去视频免费观看| 色视频在线一区二区三区| 无遮挡黄片免费观看| 久久午夜亚洲精品久久| 咕卡用的链子| 午夜福利乱码中文字幕| 欧美日韩福利视频一区二区| 国产精品久久久久成人av| 男女无遮挡免费网站观看| 欧美成狂野欧美在线观看| 欧美乱码精品一区二区三区| 黑人巨大精品欧美一区二区蜜桃| 俄罗斯特黄特色一大片| e午夜精品久久久久久久| 亚洲一区中文字幕在线| 久久毛片免费看一区二区三区| 欧美乱妇无乱码| 国产精品久久久久成人av| 美女高潮喷水抽搐中文字幕| 日本一区二区免费在线视频| 亚洲中文日韩欧美视频| 99re在线观看精品视频| 中文欧美无线码| 国产免费视频播放在线视频| 国产真人三级小视频在线观看| 麻豆国产av国片精品| 无限看片的www在线观看| 99re6热这里在线精品视频| 欧美日韩亚洲国产一区二区在线观看 | 欧美日韩中文字幕国产精品一区二区三区 | 免费观看av网站的网址| 少妇的丰满在线观看| 9热在线视频观看99| 80岁老熟妇乱子伦牲交| 午夜福利在线观看吧| 亚洲欧美日韩高清在线视频 | 大陆偷拍与自拍| 国产av又大| 丰满人妻熟妇乱又伦精品不卡| 色播在线永久视频| 久久久久久久国产电影| 露出奶头的视频| av又黄又爽大尺度在线免费看| 下体分泌物呈黄色| 亚洲精品久久成人aⅴ小说| 满18在线观看网站| 亚洲欧洲日产国产| 日韩制服丝袜自拍偷拍| 亚洲av电影在线进入| 日本wwww免费看| 欧美国产精品va在线观看不卡| 两个人免费观看高清视频| 操出白浆在线播放| 免费日韩欧美在线观看| 老汉色av国产亚洲站长工具| 成人手机av| 国产免费视频播放在线视频| 日韩欧美国产一区二区入口| 国产一区二区三区在线臀色熟女 | 巨乳人妻的诱惑在线观看| 麻豆av在线久日| 一级毛片女人18水好多| 纯流量卡能插随身wifi吗| 久久精品人人爽人人爽视色| 老司机午夜十八禁免费视频| 五月天丁香电影| 精品视频人人做人人爽| 国产黄频视频在线观看| av国产精品久久久久影院| 国产深夜福利视频在线观看| 日本a在线网址| 法律面前人人平等表现在哪些方面| 色老头精品视频在线观看| avwww免费| 亚洲一区二区三区欧美精品| 丰满迷人的少妇在线观看| 动漫黄色视频在线观看| 中文字幕人妻丝袜一区二区| 午夜精品久久久久久毛片777| 9191精品国产免费久久| 99re在线观看精品视频| 久久天躁狠狠躁夜夜2o2o| 亚洲精品国产色婷婷电影| 丰满饥渴人妻一区二区三| 99国产精品免费福利视频| 99久久国产精品久久久| 国产精品久久久久成人av| 国产精品国产av在线观看| a在线观看视频网站| 亚洲精品av麻豆狂野| 自线自在国产av| 国产午夜精品久久久久久| 午夜精品久久久久久毛片777| 国产亚洲精品一区二区www | 欧美老熟妇乱子伦牲交| 母亲3免费完整高清在线观看| 一级毛片女人18水好多| 99国产极品粉嫩在线观看| 免费观看av网站的网址| 法律面前人人平等表现在哪些方面| 黄网站色视频无遮挡免费观看| 日韩三级视频一区二区三区| 日韩一卡2卡3卡4卡2021年| 美女国产高潮福利片在线看| 1024香蕉在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 精品久久久精品久久久| 男女无遮挡免费网站观看| 国产黄频视频在线观看| 大片免费播放器 马上看| 搡老岳熟女国产| 亚洲色图 男人天堂 中文字幕| 99久久99久久久精品蜜桃| 国产在线观看jvid| 亚洲人成电影观看| 亚洲专区字幕在线| 高清视频免费观看一区二区| 在线av久久热| 天堂俺去俺来也www色官网| 国产精品av久久久久免费| 日本wwww免费看| 动漫黄色视频在线观看| 日本a在线网址| 国产成人精品久久二区二区免费| 一个人免费看片子| 国产精品成人在线| 不卡av一区二区三区| 日本黄色日本黄色录像| 久久久久视频综合| 国产成人欧美| 性色av乱码一区二区三区2| 色尼玛亚洲综合影院| 久久久久久人人人人人| 黄频高清免费视频| 日日爽夜夜爽网站| 国产91精品成人一区二区三区 | 国产在线一区二区三区精| 亚洲国产精品一区二区三区在线| av视频免费观看在线观看| 欧美日本中文国产一区发布| 丰满人妻熟妇乱又伦精品不卡| av天堂在线播放| 99精品久久久久人妻精品| 国产精品一区二区精品视频观看| 国产欧美亚洲国产| 国产精品 欧美亚洲| 国产亚洲一区二区精品| 日韩视频一区二区在线观看| 国产97色在线日韩免费| 欧美国产精品va在线观看不卡| 欧美在线黄色| 色精品久久人妻99蜜桃| 欧美大码av| 国产精品久久久久久精品古装| 成人免费观看视频高清| 在线av久久热| 手机成人av网站| 国产伦理片在线播放av一区| 香蕉国产在线看| 99久久99久久久精品蜜桃| 国产又色又爽无遮挡免费看| 欧美日韩成人在线一区二区| 色视频在线一区二区三区| 在线观看一区二区三区激情| 久久久久久亚洲精品国产蜜桃av| 天天躁夜夜躁狠狠躁躁| 欧美乱妇无乱码| 少妇 在线观看| 18禁美女被吸乳视频| 青青草视频在线视频观看| 精品国产一区二区三区四区第35| e午夜精品久久久久久久| 亚洲国产欧美日韩在线播放| 国产男女超爽视频在线观看| 91大片在线观看| 欧美av亚洲av综合av国产av| 久久久国产成人免费| 午夜激情av网站| 性高湖久久久久久久久免费观看| 黑人猛操日本美女一级片| 丝袜在线中文字幕| 免费观看人在逋| 精品少妇久久久久久888优播| 久久国产精品男人的天堂亚洲| 精品一区二区三区四区五区乱码| 狠狠精品人妻久久久久久综合| 国产黄频视频在线观看| 九色亚洲精品在线播放| 性色av乱码一区二区三区2| 真人做人爱边吃奶动态| 十八禁网站免费在线| 精品第一国产精品| 久久亚洲精品不卡| 日韩有码中文字幕| 悠悠久久av| 桃红色精品国产亚洲av| 黑人巨大精品欧美一区二区mp4| 母亲3免费完整高清在线观看| 欧美日韩精品网址| 亚洲av国产av综合av卡| 又紧又爽又黄一区二区| 大型av网站在线播放| 热99国产精品久久久久久7| 天堂中文最新版在线下载| 国产成人精品久久二区二区免费| 日韩视频一区二区在线观看| 黄色怎么调成土黄色| 亚洲成人国产一区在线观看| 热99re8久久精品国产| 黄色视频在线播放观看不卡| 欧美黑人欧美精品刺激| 高清av免费在线| 国产一区二区三区视频了| 这个男人来自地球电影免费观看| 水蜜桃什么品种好| 欧美精品一区二区大全| 757午夜福利合集在线观看| 91av网站免费观看| 国产精品电影一区二区三区 | 亚洲国产欧美日韩在线播放| 欧美日韩成人在线一区二区| 日本黄色视频三级网站网址 | 亚洲久久久国产精品| 菩萨蛮人人尽说江南好唐韦庄| 少妇粗大呻吟视频| 如日韩欧美国产精品一区二区三区| 热re99久久精品国产66热6| 丝袜人妻中文字幕| 激情在线观看视频在线高清 | 啦啦啦 在线观看视频| 正在播放国产对白刺激| 精品一区二区三卡| 国产男女内射视频| 日韩 欧美 亚洲 中文字幕| 中文字幕色久视频| 国产日韩欧美亚洲二区| 最新在线观看一区二区三区| tube8黄色片| 亚洲免费av在线视频| 91字幕亚洲| 欧美乱妇无乱码| 精品少妇一区二区三区视频日本电影| 精品免费久久久久久久清纯 | 黄色a级毛片大全视频| 巨乳人妻的诱惑在线观看| 操出白浆在线播放| 亚洲精品国产区一区二| av网站免费在线观看视频| 精品久久久精品久久久| 亚洲精品美女久久久久99蜜臀| 午夜久久久在线观看| 一个人免费看片子| 精品一区二区三区四区五区乱码| 日韩一区二区三区影片| 母亲3免费完整高清在线观看| 王馨瑶露胸无遮挡在线观看| 欧美黑人欧美精品刺激| 国产高清videossex| 国产av一区二区精品久久| 精品福利永久在线观看| 一本综合久久免费| 国产精品一区二区在线观看99| 91精品国产国语对白视频| 99精国产麻豆久久婷婷| 国产免费视频播放在线视频| 黄色视频不卡| 一区二区三区国产精品乱码| 国产三级黄色录像| 咕卡用的链子| 一个人免费在线观看的高清视频| 国精品久久久久久国模美| 91精品三级在线观看| 亚洲色图综合在线观看| 人人妻人人澡人人爽人人夜夜| 91老司机精品| 日韩欧美一区二区三区在线观看 | 国产男女超爽视频在线观看| 搡老熟女国产l中国老女人| 国产午夜精品久久久久久| 高潮久久久久久久久久久不卡| 亚洲成人国产一区在线观看| 美女扒开内裤让男人捅视频| 国产真人三级小视频在线观看| 国产精品亚洲av一区麻豆| 十八禁高潮呻吟视频| 菩萨蛮人人尽说江南好唐韦庄| 伊人久久大香线蕉亚洲五| 国产区一区二久久| 丁香六月天网| 亚洲国产欧美在线一区| 久久久精品免费免费高清| 精品欧美一区二区三区在线| 国产精品久久久久成人av| 国产91精品成人一区二区三区 | 亚洲午夜理论影院| 热99久久久久精品小说推荐| av片东京热男人的天堂| 黄网站色视频无遮挡免费观看| 精品福利永久在线观看| 99国产精品99久久久久| 国产主播在线观看一区二区| 色婷婷av一区二区三区视频| 狠狠精品人妻久久久久久综合| 国产黄频视频在线观看| 国产精品98久久久久久宅男小说| 国产有黄有色有爽视频| 窝窝影院91人妻| 美女高潮喷水抽搐中文字幕| 国产精品 欧美亚洲| 伊人久久大香线蕉亚洲五| 麻豆av在线久日| 水蜜桃什么品种好| 亚洲av第一区精品v没综合| 国产成+人综合+亚洲专区| 黑丝袜美女国产一区| 色播在线永久视频| 久久久国产精品麻豆| 午夜精品国产一区二区电影| 国产av又大| 99久久人妻综合| 黄色a级毛片大全视频| 男女午夜视频在线观看| 欧美另类亚洲清纯唯美| 久久久欧美国产精品| 国产日韩一区二区三区精品不卡| 国产欧美日韩一区二区三| 一级毛片女人18水好多|