• <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”
    久久午夜综合久久蜜桃| 国产又爽黄色视频| 国产亚洲欧美在线一区二区| 亚洲五月婷婷丁香| 久久久久久亚洲精品国产蜜桃av| 少妇猛男粗大的猛烈进出视频| 亚洲三区欧美一区| 日韩 欧美 亚洲 中文字幕| 欧美日韩中文字幕国产精品一区二区三区 | 精品福利观看| 国产日韩欧美在线精品| 黑丝袜美女国产一区| 国产成人影院久久av| 爱豆传媒免费全集在线观看| 99九九在线精品视频| 亚洲精品国产av蜜桃| kizo精华| 最近最新免费中文字幕在线| av网站在线播放免费| 我要看黄色一级片免费的| 精品亚洲乱码少妇综合久久| 成人亚洲精品一区在线观看| 操出白浆在线播放| 久久99热这里只频精品6学生| 日韩中文字幕欧美一区二区| 热99久久久久精品小说推荐| 中亚洲国语对白在线视频| 一级片'在线观看视频| 夜夜骑夜夜射夜夜干| 乱人伦中国视频| 视频区欧美日本亚洲| 欧美日韩一级在线毛片| 啦啦啦中文免费视频观看日本| 久久久久久免费高清国产稀缺| 国产91精品成人一区二区三区 | 国产精品欧美亚洲77777| 欧美国产精品va在线观看不卡| 国产亚洲精品第一综合不卡| 亚洲av电影在线进入| 日本一区二区免费在线视频| 国产av国产精品国产| 蜜桃国产av成人99| 十八禁网站免费在线| 这个男人来自地球电影免费观看| 男女高潮啪啪啪动态图| 国产精品1区2区在线观看. | 九色亚洲精品在线播放| 久久亚洲精品不卡| 母亲3免费完整高清在线观看| 大片电影免费在线观看免费| www日本在线高清视频| 日本五十路高清| 亚洲中文av在线| 亚洲人成电影免费在线| 日日爽夜夜爽网站| 亚洲国产成人一精品久久久| 啦啦啦 在线观看视频| 69精品国产乱码久久久| 免费在线观看日本一区| 每晚都被弄得嗷嗷叫到高潮| 日本黄色日本黄色录像| 色婷婷av一区二区三区视频| 在线观看舔阴道视频| 精品人妻1区二区| 亚洲性夜色夜夜综合| 亚洲伊人久久精品综合| 国产成人免费无遮挡视频| 午夜视频精品福利| 日韩三级视频一区二区三区| 操出白浆在线播放| 午夜日韩欧美国产| 新久久久久国产一级毛片| 黑丝袜美女国产一区| 黄色片一级片一级黄色片| av在线播放精品| 亚洲精品国产av蜜桃| 性高湖久久久久久久久免费观看| 午夜老司机福利片| 久久精品国产综合久久久| 99国产极品粉嫩在线观看| 天天添夜夜摸| 女人精品久久久久毛片| 亚洲自偷自拍图片 自拍| 免费少妇av软件| 永久免费av网站大全| 国产激情久久老熟女| 国产精品99久久99久久久不卡| 80岁老熟妇乱子伦牲交| 欧美日韩成人在线一区二区| 淫妇啪啪啪对白视频 | 又大又爽又粗| 久久久久久久久免费视频了| 亚洲精品国产区一区二| 在线精品无人区一区二区三| 中文字幕人妻熟女乱码| 午夜日韩欧美国产| 国产在线观看jvid| 精品福利永久在线观看| 久久影院123| 国产精品久久久久久精品古装| www.av在线官网国产| 国产成人一区二区三区免费视频网站| 9191精品国产免费久久| 亚洲国产毛片av蜜桃av| 免费观看av网站的网址| 亚洲精品国产一区二区精华液| 亚洲欧美精品综合一区二区三区| 宅男免费午夜| 男人操女人黄网站| 91精品伊人久久大香线蕉| 女人高潮潮喷娇喘18禁视频| 狠狠婷婷综合久久久久久88av| 自拍欧美九色日韩亚洲蝌蚪91| a级毛片黄视频| 国产不卡av网站在线观看| 成年人黄色毛片网站| 日日爽夜夜爽网站| 91成人精品电影| 狠狠狠狠99中文字幕| 久久久精品94久久精品| 亚洲精品在线美女| 国产精品.久久久| 桃花免费在线播放| 男人爽女人下面视频在线观看| 考比视频在线观看| 制服诱惑二区| 99国产精品99久久久久| 丝袜喷水一区| av超薄肉色丝袜交足视频| 丰满迷人的少妇在线观看| 纯流量卡能插随身wifi吗| 亚洲九九香蕉| 熟女少妇亚洲综合色aaa.| 精品少妇一区二区三区视频日本电影| 日本精品一区二区三区蜜桃| 一进一出抽搐动态| 搡老熟女国产l中国老女人| 日韩视频在线欧美| a在线观看视频网站| av国产精品久久久久影院| 国产在线一区二区三区精| 最近最新中文字幕大全免费视频| 久久久久精品国产欧美久久久 | 国产黄色免费在线视频| 啦啦啦中文免费视频观看日本| 亚洲少妇的诱惑av| av超薄肉色丝袜交足视频| 黄色怎么调成土黄色| 嫩草影视91久久| 高清黄色对白视频在线免费看| 久久久久精品国产欧美久久久 | 国产成人影院久久av| 日日摸夜夜添夜夜添小说| 国产亚洲av片在线观看秒播厂| 欧美在线一区亚洲| 天堂8中文在线网| 成年av动漫网址| 国产不卡av网站在线观看| 超色免费av| 高清在线国产一区| 色婷婷久久久亚洲欧美| 亚洲精品一二三| 日韩有码中文字幕| 色婷婷久久久亚洲欧美| 午夜福利,免费看| 少妇人妻久久综合中文| 手机成人av网站| 亚洲精品美女久久久久99蜜臀| 国产麻豆69| 欧美国产精品va在线观看不卡| 18禁国产床啪视频网站| 女警被强在线播放| 在线 av 中文字幕| 亚洲久久久国产精品| 操美女的视频在线观看| 精品福利观看| 国产三级黄色录像| 一本色道久久久久久精品综合| 久久久久国产精品人妻一区二区| 在线天堂中文资源库| 可以免费在线观看a视频的电影网站| 亚洲精品第二区| 亚洲精品国产精品久久久不卡| 日韩中文字幕视频在线看片| 一区二区三区激情视频| 99精国产麻豆久久婷婷| 欧美另类一区| 亚洲全国av大片| 纵有疾风起免费观看全集完整版| 久久久久久久精品精品| 国产精品久久久av美女十八| 久久九九热精品免费| 久久精品国产综合久久久| 在线永久观看黄色视频| 久久香蕉激情| a级毛片黄视频| 日韩三级视频一区二区三区| 自拍欧美九色日韩亚洲蝌蚪91| 婷婷色av中文字幕| 51午夜福利影视在线观看| 国产精品一区二区免费欧美 | 女人爽到高潮嗷嗷叫在线视频| 欧美黑人精品巨大| 三级毛片av免费| 九色亚洲精品在线播放| 久久精品人人爽人人爽视色| 精品一区在线观看国产| 精品亚洲乱码少妇综合久久| a在线观看视频网站| 91九色精品人成在线观看| 亚洲视频免费观看视频| av片东京热男人的天堂| 国产亚洲av高清不卡| 天天添夜夜摸| 欧美久久黑人一区二区| 丝瓜视频免费看黄片| 久久99一区二区三区| 国产99久久九九免费精品| 欧美在线黄色| 欧美人与性动交α欧美精品济南到| www日本在线高清视频| 啦啦啦 在线观看视频| 亚洲精品国产一区二区精华液| 纯流量卡能插随身wifi吗| 老鸭窝网址在线观看| 美女福利国产在线| 另类亚洲欧美激情| 性少妇av在线| 建设人人有责人人尽责人人享有的| 美女脱内裤让男人舔精品视频| 国产日韩一区二区三区精品不卡| 亚洲欧美色中文字幕在线| 国产一区二区三区av在线| av不卡在线播放| 精品少妇黑人巨大在线播放| 熟女少妇亚洲综合色aaa.| 久久人人97超碰香蕉20202| 久久天躁狠狠躁夜夜2o2o| 亚洲av片天天在线观看| 精品乱码久久久久久99久播| 中文字幕色久视频| 男人舔女人的私密视频| 免费看十八禁软件| 日韩免费高清中文字幕av| 亚洲av美国av| 午夜激情久久久久久久| 好男人电影高清在线观看| 18在线观看网站| 又黄又粗又硬又大视频| 久久久水蜜桃国产精品网| 国产精品 欧美亚洲| 男人舔女人的私密视频| 黄片大片在线免费观看| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美一级毛片孕妇| 伊人久久大香线蕉亚洲五| 又大又爽又粗| 在线 av 中文字幕| 久久国产精品大桥未久av| 欧美久久黑人一区二区| h视频一区二区三区| 国产成人av教育| 麻豆乱淫一区二区| 国产成人精品无人区| 国产成人精品久久二区二区免费| 国产精品二区激情视频| 美女扒开内裤让男人捅视频| 精品亚洲乱码少妇综合久久| 一区在线观看完整版| 成年人午夜在线观看视频| 黄片小视频在线播放| 狠狠狠狠99中文字幕| 另类精品久久| 成人亚洲精品一区在线观看| 成人国产av品久久久| 国产97色在线日韩免费| 又紧又爽又黄一区二区| 免费在线观看完整版高清| 中文欧美无线码| 亚洲精品av麻豆狂野| 丁香六月天网| 十八禁人妻一区二区| 日日摸夜夜添夜夜添小说| 日本五十路高清| 黄频高清免费视频| 大码成人一级视频| 一本大道久久a久久精品| 在线观看人妻少妇| 国产精品九九99| e午夜精品久久久久久久| 亚洲欧美一区二区三区久久| 久久精品国产a三级三级三级| 黄色视频,在线免费观看| 99久久精品国产亚洲精品| 99久久99久久久精品蜜桃| 久久久久久久国产电影| 欧美日本中文国产一区发布| 国产欧美日韩一区二区精品| 亚洲色图综合在线观看| 午夜免费成人在线视频| 国产成人精品无人区| 欧美大码av| 999精品在线视频| 中国美女看黄片| 免费在线观看视频国产中文字幕亚洲 | 亚洲avbb在线观看| 精品亚洲成国产av| 亚洲国产av影院在线观看| 亚洲国产欧美日韩在线播放| 中文欧美无线码| 侵犯人妻中文字幕一二三四区| 久久99一区二区三区| av电影中文网址| 午夜福利在线免费观看网站| 免费一级毛片在线播放高清视频 | 中文字幕人妻熟女乱码| 天堂俺去俺来也www色官网| 亚洲精华国产精华精| 在线 av 中文字幕| 男女之事视频高清在线观看| 一本久久精品| 久久女婷五月综合色啪小说| 国产1区2区3区精品| 十八禁网站网址无遮挡| 人人澡人人妻人| 亚洲成人国产一区在线观看| 高清在线国产一区| 精品人妻在线不人妻| 久久久国产一区二区| 韩国精品一区二区三区| 日本一区二区免费在线视频| 中文字幕制服av| 后天国语完整版免费观看| 亚洲中文字幕日韩| 男女边摸边吃奶| 手机成人av网站| 最近最新中文字幕大全免费视频| 99国产精品一区二区三区| 最近中文字幕2019免费版| 99国产精品99久久久久| 女性生殖器流出的白浆| 黄色毛片三级朝国网站| 国产一区二区激情短视频 | 国产有黄有色有爽视频| 黑人操中国人逼视频| 人人妻人人澡人人爽人人夜夜| 丁香六月欧美| 亚洲精品国产精品久久久不卡| 久久99热这里只频精品6学生| 亚洲男人天堂网一区| 制服人妻中文乱码| 久久亚洲国产成人精品v| 午夜激情久久久久久久| 自线自在国产av| 啪啪无遮挡十八禁网站| 亚洲久久久国产精品| 亚洲伊人久久精品综合| 午夜福利视频精品| 青春草视频在线免费观看| 久久久久久久久久久久大奶| 窝窝影院91人妻| 午夜影院在线不卡| 男人操女人黄网站| www日本在线高清视频| 国产在线视频一区二区| av网站在线播放免费| 12—13女人毛片做爰片一| 亚洲精品中文字幕一二三四区 | 亚洲av电影在线观看一区二区三区| 久久精品国产a三级三级三级| 亚洲精品自拍成人| 精品少妇内射三级| a级片在线免费高清观看视频| 午夜老司机福利片| 国产日韩欧美视频二区| 亚洲性夜色夜夜综合| 国产精品一区二区在线不卡| 国产日韩欧美亚洲二区| 最新的欧美精品一区二区| 在线观看舔阴道视频| 国产伦理片在线播放av一区| 爱豆传媒免费全集在线观看| 悠悠久久av| 国产精品 国内视频| 男男h啪啪无遮挡| 一区二区日韩欧美中文字幕| 精品一区二区三区四区五区乱码| 亚洲精品第二区| 香蕉丝袜av| 久久青草综合色| 亚洲精品久久成人aⅴ小说| 日本一区二区免费在线视频| 午夜激情av网站| 黄色视频,在线免费观看| 人人澡人人妻人| 国产淫语在线视频| 精品一区二区三区四区五区乱码| 日韩一区二区三区影片| 国产伦人伦偷精品视频| xxxhd国产人妻xxx| 午夜福利一区二区在线看| e午夜精品久久久久久久| 亚洲精品国产区一区二| 亚洲av欧美aⅴ国产| 亚洲欧美一区二区三区久久| 深夜精品福利| 亚洲avbb在线观看| 午夜免费成人在线视频| 成人手机av| 老司机在亚洲福利影院| 黄色视频,在线免费观看| 啦啦啦视频在线资源免费观看| 蜜桃在线观看..| 2018国产大陆天天弄谢| 免费少妇av软件| 亚洲第一欧美日韩一区二区三区 | 建设人人有责人人尽责人人享有的| 高清黄色对白视频在线免费看| 99久久综合免费| 欧美激情 高清一区二区三区| 日韩大片免费观看网站| 少妇粗大呻吟视频| 电影成人av| 我要看黄色一级片免费的| 大香蕉久久网| 丰满迷人的少妇在线观看| 日韩精品免费视频一区二区三区| 女人精品久久久久毛片| 久久久久久久国产电影| 在线观看免费日韩欧美大片| 男人爽女人下面视频在线观看| 国产精品自产拍在线观看55亚洲 | 亚洲激情五月婷婷啪啪| 超碰成人久久| 国产一区二区激情短视频 | 在线精品无人区一区二区三| 久久久精品94久久精品| 日韩制服丝袜自拍偷拍| 日本av免费视频播放| 国产精品99久久99久久久不卡| 男女之事视频高清在线观看| 国产免费视频播放在线视频| 久久久欧美国产精品| 老司机福利观看| 乱人伦中国视频| 久久久国产成人免费| 国产视频一区二区在线看| 欧美xxⅹ黑人| xxxhd国产人妻xxx| 久久亚洲国产成人精品v| 国产成人啪精品午夜网站| 亚洲国产毛片av蜜桃av| 日韩制服骚丝袜av| 国产一级毛片在线| 久久精品亚洲av国产电影网| 水蜜桃什么品种好| 久久精品国产亚洲av高清一级| 91精品伊人久久大香线蕉| 1024香蕉在线观看| 亚洲精品国产一区二区精华液| 国产真人三级小视频在线观看| 久久久久精品人妻al黑| 99久久国产精品久久久| 精品国产超薄肉色丝袜足j| 最近最新中文字幕大全免费视频| 咕卡用的链子| 国产欧美亚洲国产| 亚洲欧美日韩高清在线视频 | 一二三四社区在线视频社区8| 欧美大码av| 欧美变态另类bdsm刘玥| 亚洲精品国产一区二区精华液| 国产一区有黄有色的免费视频| 性少妇av在线| 亚洲av成人不卡在线观看播放网 | 老司机靠b影院| 91国产中文字幕| 国产亚洲av高清不卡| 亚洲激情五月婷婷啪啪| 777久久人妻少妇嫩草av网站| 狠狠婷婷综合久久久久久88av| 一本久久精品| 精品久久久久久久毛片微露脸 | 午夜精品国产一区二区电影| a在线观看视频网站| 亚洲精品国产区一区二| 中文字幕人妻熟女乱码| 每晚都被弄得嗷嗷叫到高潮| 国产成人影院久久av| 黄网站色视频无遮挡免费观看| 亚洲精品日韩在线中文字幕| 少妇 在线观看| 中国美女看黄片| 亚洲欧美日韩另类电影网站| 纵有疾风起免费观看全集完整版| 欧美人与性动交α欧美软件| 日韩欧美免费精品| 欧美日韩国产mv在线观看视频| av有码第一页| 美女福利国产在线| 成人免费观看视频高清| 中文字幕av电影在线播放| 欧美激情极品国产一区二区三区| 黄色怎么调成土黄色| 中文字幕人妻丝袜一区二区| 淫妇啪啪啪对白视频 | av福利片在线| 亚洲精品国产av蜜桃| 国产欧美日韩综合在线一区二区| 在线亚洲精品国产二区图片欧美| 最黄视频免费看| 久久女婷五月综合色啪小说| 一级毛片精品| 十八禁网站网址无遮挡| 看免费av毛片| 亚洲国产日韩一区二区| 一区二区三区四区激情视频| 国产精品九九99| 免费日韩欧美在线观看| 免费观看a级毛片全部| 午夜影院在线不卡| 亚洲精品久久午夜乱码| 亚洲七黄色美女视频| 蜜桃国产av成人99| 色综合欧美亚洲国产小说| 十八禁网站免费在线| av不卡在线播放| 国产av又大| 日本91视频免费播放| 9色porny在线观看| 久久人妻熟女aⅴ| 超碰97精品在线观看| 中文字幕色久视频| 捣出白浆h1v1| 曰老女人黄片| 精品国产乱码久久久久久小说| 久久精品熟女亚洲av麻豆精品| av国产精品久久久久影院| 高清黄色对白视频在线免费看| 悠悠久久av| 高清av免费在线| 国产三级黄色录像| 一级a爱视频在线免费观看| 黄色片一级片一级黄色片| 80岁老熟妇乱子伦牲交| 亚洲国产欧美网| 最新的欧美精品一区二区| 新久久久久国产一级毛片| 亚洲国产精品一区三区| 黄频高清免费视频| 悠悠久久av| 国产激情久久老熟女| videosex国产| 欧美成人午夜精品| 少妇的丰满在线观看| 99国产精品免费福利视频| 欧美国产精品va在线观看不卡| 别揉我奶头~嗯~啊~动态视频 | 91老司机精品| 欧美xxⅹ黑人| 三上悠亚av全集在线观看| 熟女少妇亚洲综合色aaa.| 成人免费观看视频高清| 黑人巨大精品欧美一区二区mp4| 日本撒尿小便嘘嘘汇集6| 亚洲成人国产一区在线观看| 我要看黄色一级片免费的| 麻豆国产av国片精品| 日韩电影二区| 国产成人精品久久二区二区免费| 汤姆久久久久久久影院中文字幕| av在线老鸭窝| 啦啦啦在线免费观看视频4| cao死你这个sao货| 999久久久国产精品视频| av一本久久久久| 久久中文字幕一级| 丝袜在线中文字幕| 美女扒开内裤让男人捅视频| 91成年电影在线观看| 手机成人av网站| 成年人黄色毛片网站| 下体分泌物呈黄色| 精品视频人人做人人爽| 国产激情久久老熟女| 亚洲精品美女久久久久99蜜臀| 精品卡一卡二卡四卡免费| 亚洲黑人精品在线| 超碰97精品在线观看| 亚洲免费av在线视频| 国产又色又爽无遮挡免| 真人做人爱边吃奶动态| 亚洲国产精品一区二区三区在线| 久久久久久免费高清国产稀缺| 99久久精品国产亚洲精品| av视频免费观看在线观看| 黄色怎么调成土黄色| 国内毛片毛片毛片毛片毛片| 亚洲精品一卡2卡三卡4卡5卡 | 男女高潮啪啪啪动态图| 黄色视频不卡| 欧美国产精品va在线观看不卡| 免费人妻精品一区二区三区视频| 久久久久久久国产电影| 2018国产大陆天天弄谢| 91精品三级在线观看| 人妻人人澡人人爽人人| 汤姆久久久久久久影院中文字幕| 亚洲全国av大片| 高清av免费在线| 捣出白浆h1v1| 超碰成人久久| 两性夫妻黄色片| 丝袜喷水一区| 精品第一国产精品|