• <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 ?

    基于深度聚合神經(jīng)網(wǎng)絡(luò)的網(wǎng)約車需求時(shí)空熱度預(yù)測(cè)

    2022-12-18 08:11:40郭羽含
    計(jì)算機(jī)應(yīng)用 2022年12期
    關(guān)鍵詞:網(wǎng)約時(shí)空卷積

    郭羽含,田 寧

    (遼寧工程技術(shù)大學(xué) 軟件學(xué)院,遼寧 葫蘆島 125105)

    0 引言

    隨著移動(dòng)設(shè)備的普及和互聯(lián)網(wǎng)的快速發(fā)展,網(wǎng)絡(luò)預(yù)約出租汽車(簡稱網(wǎng)約車)已成為城鎮(zhèn)居民的主要出行方式之一。選擇網(wǎng)約車出行有利于緩解城市交通擁堵,對(duì)提高交通資源的利用、減少環(huán)境污染具有積極意義。截至2020 年,滴滴出行、神州專車、首汽約車等大型網(wǎng)約車平臺(tái)的用戶規(guī)模已達(dá)4 億。隨著用戶出行需求的逐年增長,依托上述平臺(tái)從事網(wǎng)約車經(jīng)營活動(dòng)的汽車駕駛員數(shù)量也快速增加。面對(duì)數(shù)量巨大的服務(wù)提供者與用戶需求,平衡供需分布成為網(wǎng)約車平臺(tái)亟待解決的問題。若服務(wù)車輛分布與乘客分布差異較大,不但會(huì)導(dǎo)致乘客候車時(shí)間長、對(duì)平臺(tái)的服務(wù)滿意度降低,還會(huì)使服務(wù)車輛空駛距離增加、運(yùn)營效率低下、運(yùn)營利潤減少;若可用服務(wù)車輛被提前調(diào)配至需求熱度較高區(qū)域,則平臺(tái)的資源利用率和服務(wù)質(zhì)量可得到顯著提升。

    引導(dǎo)服務(wù)車輛的前提為預(yù)測(cè)不同空間位置在不同時(shí)間范圍的需求熱度,但需求熱度與時(shí)間、空間、環(huán)境等多種影響因素相關(guān)且動(dòng)態(tài)變化,因此預(yù)測(cè)難度較高。針對(duì)以往的交通問題的預(yù)測(cè),現(xiàn)有的研究模型或方法可分為以下四類:

    1)基于歷史數(shù)據(jù)或時(shí)間序列的預(yù)測(cè)模型。

    基于歷史數(shù)據(jù)的預(yù)測(cè)模型由于維度單一,無法準(zhǔn)確反映多維影響因素,故預(yù)測(cè)準(zhǔn)確率較低?;跁r(shí)間序列的統(tǒng)計(jì)模型只能用于數(shù)據(jù)相對(duì)穩(wěn)定、呈規(guī)律性變化的情況,如肖強(qiáng)等[1]利用泊松分布計(jì)算出租車的合乘概率和等待時(shí)間;Jamil等[2]使用差分自回歸移動(dòng)平均進(jìn)行時(shí)間序列的分析,預(yù)測(cè)需求的熱點(diǎn)區(qū)域;Moreira-Matias 等[3]把加權(quán)時(shí)變泊松模型與出租車傳感器數(shù)據(jù)結(jié)合用于預(yù)測(cè)短期范圍內(nèi)出租車乘客的空間分布。然而,隨著我國城市建設(shè)速度的加快,需求熱點(diǎn)區(qū)域的頻繁變化也導(dǎo)致僅憑歷史同期訂單數(shù)量無法準(zhǔn)確預(yù)測(cè)當(dāng)前時(shí)空點(diǎn)的需求熱度。

    2)基于機(jī)器學(xué)習(xí)的預(yù)測(cè)模型。

    隨著人工智能技術(shù)的發(fā)展,基于數(shù)據(jù)的機(jī)器學(xué)習(xí)方法逐漸成為解決短時(shí)交通需求預(yù)測(cè)的主要方法。傳統(tǒng)機(jī)器學(xué)習(xí)方法[4-6]可對(duì)更復(fù)雜的數(shù)據(jù)進(jìn)行建模,捕捉交通信息中更深層次的特征,因此預(yù)測(cè)準(zhǔn)確度也相對(duì)較高,如:Zhang等[7]考慮到出租車的需求和供應(yīng),提出二次集成梯度提升決策樹方法來預(yù)測(cè)二者的差距,避免了在不同的數(shù)據(jù)稀疏條件下帶來的預(yù)測(cè)結(jié)果變差的問題;Jiang等[8]以網(wǎng)約車短期需求預(yù)測(cè)為目標(biāo),提出了一種基于最小二乘基于向量機(jī)(Least Squares Support Vector Machine,LS-SVM)的預(yù)測(cè)方法,并與Lasso 線性回歸、最近鄰回歸、決策樹回歸等算法對(duì)比,驗(yàn)證了其性能的高效性;郭憲等[9]提出基于多源數(shù)據(jù)的梯度決策回歸樹需求預(yù)測(cè)方法,基于多元?dú)v史數(shù)據(jù),可實(shí)時(shí)預(yù)測(cè)當(dāng)天的下一時(shí)間片段內(nèi)各個(gè)城市區(qū)域的實(shí)時(shí)需求。雖然上述三者都考慮了多維影響因素,但仍然較難準(zhǔn)確反映復(fù)雜多維數(shù)據(jù)的非線性相關(guān)性。

    3)基于深度學(xué)習(xí)的預(yù)測(cè)方法。

    深度神經(jīng)網(wǎng)絡(luò)[10-15]被廣泛應(yīng)用于需求預(yù)測(cè)領(lǐng)域且收效良好。Hou 等[16]利用深度神經(jīng)網(wǎng)絡(luò)對(duì)不同路段的行駛時(shí)間進(jìn)行了預(yù)測(cè),使用單模型結(jié)構(gòu)對(duì)交通網(wǎng)絡(luò)中的所有路段進(jìn)行準(zhǔn)確的預(yù)測(cè),不必為每個(gè)路段分別構(gòu)建自定義模型,從而降低了建模的復(fù)雜度;Zhan 等[17]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的交通流預(yù)測(cè)方法,使用浮動(dòng)車的GPS 軌跡數(shù)據(jù)來估算全市的交通量;Yu 等[18]提出了時(shí)空?qǐng)D卷積網(wǎng)絡(luò)框架,使用門控循環(huán)單元和圖卷積進(jìn)行了長期交通流量預(yù)測(cè);Ma 等[19]提出了一種大規(guī)模交通網(wǎng)絡(luò)速度預(yù)測(cè)的深度卷積神經(jīng)網(wǎng)絡(luò),將時(shí)空矩陣轉(zhuǎn)換為圖像作為CNN 的輸入。后三者都改進(jìn)了傳統(tǒng)方法中長期預(yù)測(cè)任務(wù)經(jīng)常忽略時(shí)空依賴性的缺點(diǎn)。

    4)基于多模型的組合預(yù)測(cè)模型。

    通過將不同的子模型組合,可以發(fā)揮每個(gè)模型對(duì)于不同特征提取的優(yōu)勢(shì),如段宗濤等[20]使用CNN-LSTM-ResNet(Convolutional Neural Network &Long Short-Term Memory &Residual Network)組合模型對(duì)出租車需求進(jìn)行了預(yù)測(cè),采用殘差神經(jīng)網(wǎng)絡(luò)的CNN 框架來分別模擬人群流量的臨近性、周期性和趨勢(shì)特征,使用長短期記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)學(xué)習(xí)交通流變化的時(shí)空特征,為解決時(shí)空序列問題提供了新的思路;Ke 等[21]利用LSTM 神經(jīng)網(wǎng)絡(luò)對(duì)天氣等具有時(shí)間序列信息的特征進(jìn)行了提取,再結(jié)合卷積LSTM 網(wǎng)絡(luò)對(duì)時(shí)空特征進(jìn)行了提取,對(duì)比其他單個(gè)模型實(shí)驗(yàn),驗(yàn)證了融合模型的有效性。

    綜上可知,將時(shí)空數(shù)據(jù)應(yīng)用于網(wǎng)約車需求預(yù)測(cè)中可取得較好成效,但由于不同類別的時(shí)空數(shù)據(jù)存在結(jié)構(gòu)差異性,使用單一結(jié)構(gòu)的模型較難完整捕捉不同結(jié)構(gòu)、不同城市、不同規(guī)模時(shí)空數(shù)據(jù)的隱含特征,因此其預(yù)測(cè)準(zhǔn)確度和魯棒性仍有提升空間。此外,由于需求預(yù)測(cè)還存在空間關(guān)聯(lián)性和環(huán)境關(guān)聯(lián)性等其他復(fù)雜因素,全面完整地利用多維時(shí)空數(shù)據(jù)和深度學(xué)習(xí)技術(shù)對(duì)網(wǎng)約車需求進(jìn)行準(zhǔn)確預(yù)測(cè)仍然非常具有挑戰(zhàn)性。針對(duì)上述問題,本文對(duì)網(wǎng)約車出行的時(shí)空需求進(jìn)行了形式化定義,提出了一種深度聚合神經(jīng)網(wǎng)絡(luò)(Deep Aggregated Neural Network,DANN)模型以預(yù)測(cè)不同時(shí)空下的需求熱度。通過多個(gè)子模型分別學(xué)習(xí)環(huán)境變量、時(shí)空變量和空間變量的隱含特征,并將子模型的輸出進(jìn)行多層次聚合得到最終的預(yù)測(cè)結(jié)果。

    1 問題定義

    本文以時(shí)空需求熱度表示一個(gè)空間區(qū)域在一段時(shí)間范圍內(nèi)的網(wǎng)約車乘客出行需求熱度,其詳細(xì)定義如下。

    1.1 基本概念

    定義1空間網(wǎng)格。設(shè)有給定地理空間區(qū)域S,其緯度最大和最小值分別為latmax和latmin,經(jīng)度最大和最小值分別為lngmax和lngmin,則該空間區(qū)域S可被分割為p×q個(gè)二維網(wǎng)格,每個(gè)網(wǎng)格稱為一個(gè)空間網(wǎng)格Si,j,其中i∈[1,p]?N 且j∈[1,q]?N。Si,j的長度hlat=(latmax-latmin)/p,寬 度hlng=lngmax-lngmin。

    定義2需求。需求rk=(ek,latk,lngk)為乘客k的網(wǎng)約車出行訂單,其中ek為乘客需要服務(wù)的時(shí)間(如實(shí)時(shí)出行則ek為當(dāng)前時(shí)間),latk和lngk為乘客出發(fā)地緯度和經(jīng)度。若latmin+hlat(i-1) ≤latk≤latmin+hlati且lngmin+hlng(j-1) ≤lngk≤lngmin+hlng j,則需求rk屬于空間網(wǎng)格Si,j。

    定義3時(shí)空需求熱度。將一天的24 h 分割為等長的δ段,每個(gè)時(shí)段tl(l∈[1,δ] ?N)的長度為24/δh。對(duì)于每個(gè)空間網(wǎng)格Si,j和時(shí)段tl,其相應(yīng)的時(shí)空需求熱度Pij,l可以定義為空間網(wǎng)格Si,j中在時(shí)段tl范圍內(nèi)的需求數(shù)量。

    1.2 時(shí)空需求熱度變量

    受時(shí)間、區(qū)域和天氣條件等多種外部因素影響,城市不同區(qū)域需求熱度變化規(guī)律復(fù)雜;因此,使用單一變量作為模型輸入很難準(zhǔn)確預(yù)測(cè)求密度變化。本文將影響需求熱度變化的變量分為外部環(huán)境變量、時(shí)空變量和空間變量。在外部環(huán)境變量方面,月份、日期、星期、時(shí)段、是否為節(jié)假日、溫度條件、氣象條件、空氣質(zhì)量均對(duì)出行需求有顯著影響,故上述類別的12 種因子被選為環(huán)境變量。相鄰時(shí)段、前天同時(shí)段、上周同時(shí)段的需求熱度被選為時(shí)間變量特征。大量不同類別的興趣點(diǎn)(Point Of Interest,POI)信息可從不同層面反映一個(gè)空間區(qū)域的繁榮程度;因此,本文以12 種POI 的數(shù)量作為空間變量。上述特征的定義及其量化取值范圍見表1。

    表1 時(shí)空需求熱度預(yù)測(cè)特征Tab.1 Features for spatio-temporal demand heat prediction

    基于上述特征,時(shí)空需求熱度的預(yù)測(cè)問題定義如下。

    問題1 時(shí)空需求熱度預(yù)測(cè)。根據(jù)給定的特征值Xe、Xg和Xs預(yù)測(cè)tl時(shí)刻Si,j區(qū)域的時(shí)空需求熱度Pij,l,其中Xe=(xmo,xda,xtl,xho,xwe,xtt,xht,xwt,xra,xsn,xfl,xap),Xg=(xms,xjd,xyy,xsc,xly,xjs,xyl,xxq,xxx,xcz,xqy,xzf),Xs=(xlp,xlt,xlw)。

    2 模型構(gòu)建

    本文提出的深度聚合神經(jīng)網(wǎng)絡(luò)(DANN)由3 個(gè)子單元結(jié)構(gòu)組成,分別為外部環(huán)境學(xué)習(xí)單元的長短期記憶(LSTM)模型、時(shí)空特征學(xué)習(xí)單元的卷積長短期記憶(Convolutional LSTM,ConvLSTM)模型和空間特征學(xué)習(xí)單元的卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型,其總體結(jié)構(gòu)如圖1 所示。3 個(gè)子網(wǎng)絡(luò)模型分別處理相應(yīng)類別的時(shí)空數(shù)據(jù),并將其輸出經(jīng)多層聚合獲得最終預(yù)測(cè)結(jié)果。

    圖1 DANN結(jié)構(gòu)Fig.1 Structure of DANN

    2.1 外部環(huán)境特征學(xué)習(xí)單元

    設(shè)Xe為外部環(huán)境因素的特征向量,由問題1 可知Xe=(xmo,xda,xtl,xho,xwe,xtt,xht,xwt,xra,xsn,xfl,xap)。由于外部環(huán)境變量,如日期、節(jié)假日、天氣、空氣污染指數(shù)等,都具有時(shí)間上下文相關(guān)性;因此本文采用長短期記憶(LSTM)網(wǎng)絡(luò)單元結(jié)構(gòu)來捕捉其在時(shí)間維度的依賴關(guān)系。LSTM 在處理與時(shí)間序列相關(guān)的數(shù)據(jù)時(shí)表現(xiàn)優(yōu)異,可較好處理長距依賴問題,且通過引入3 個(gè)門控神經(jīng)元可有效緩解梯度爆炸和梯度彌散[22]。

    LSTM 單元結(jié)構(gòu)如圖2 所示,其內(nèi)部結(jié)構(gòu)主要由遺忘門、輸入門和輸出門組成。假定當(dāng)前時(shí)刻為t,xt為輸入的外部環(huán)境變量向量Xe,yt為輸出狀態(tài)值,為記憶單元,pt為輸入門狀態(tài)值,dt為遺忘門狀態(tài)值,qt為輸出門狀態(tài)值。遺忘門根據(jù)前一時(shí)刻的隱層信息yt-1以及當(dāng)前時(shí)刻的輸入xt,通過激活函數(shù)輸出遺忘元素的比率,以及在原始記憶單元中丟失部分信息。輸入門pt通過類似的結(jié)構(gòu)篩選出輸入數(shù)據(jù)中需保存至記憶單元的數(shù)據(jù),并將其與通過遺忘門之后的記憶單元數(shù)據(jù)相加作為記憶單元的輸出st。最后,隱藏層的數(shù)據(jù)通過輸出門數(shù)據(jù)與新記憶單元數(shù)據(jù)進(jìn)行逐點(diǎn)相乘計(jì)算得到y(tǒng)t。記憶單元的狀態(tài)值由輸入門和輸出門共同控制。對(duì)于每個(gè)時(shí)間步長t,迭代計(jì)算過程如下:

    圖2 LSTM單元結(jié)構(gòu)Fig.2 Structure of LSTM unit

    其中:Wx、Wy分別為各單元xt、yt-1對(duì)應(yīng)權(quán)重,b為相應(yīng)偏置。σ(x)和tanh(x)為非線性主動(dòng)函數(shù),計(jì)算方法如式(7)(8)所示:

    2.2 時(shí)空特征學(xué)習(xí)單元

    時(shí)空需求熱度在每日相同時(shí)段、每月相同星期存在周期性,因此具有時(shí)間自相關(guān)性;此外,其空間網(wǎng)格間也具有空間相關(guān)性,因此本文采用卷積長短期記憶(ConvLSTM)單元結(jié)構(gòu)[23]來捕捉其在時(shí)間和空間維度的依賴關(guān)系。ConvLSTM 將LSTM 單元中所有向量轉(zhuǎn)換為張量,使得LSTM 單元可通過卷積操作進(jìn)行連接,因此該單元結(jié)構(gòu)既可捕捉時(shí)間依賴關(guān)系,又可提取空間特征,其結(jié)構(gòu)如圖3 所示。

    圖3 ConvLSTM單元結(jié)構(gòu)Fig.3 Structure of ConvLSTM unit

    如圖3 所示,ConvLSTM 通過在狀態(tài)到狀態(tài)和輸入到狀態(tài)轉(zhuǎn)換中實(shí)現(xiàn)卷積算子來計(jì)算某個(gè)網(wǎng)格單元的時(shí)空需求熱度。通過t次迭代,每個(gè)ConvLSTM 層都可以映射一個(gè)輸入的需求熱度張量X=(X1,X2,…,Xt)到一個(gè)隱藏層張量H=(H1,H2,…,Ht)。同樣地,堆疊形式的多個(gè)ConvLSTM 層會(huì)更好地發(fā)現(xiàn)需求熱度的時(shí)空特征,提高本文模型的預(yù)測(cè)精度。

    由定義3可得tl時(shí)段不同區(qū)域Si,j的時(shí)空熱度Pij,l,令

    假定當(dāng)前時(shí)刻為t,Xt表示時(shí)空需求熱度輸入張量,Ht表示輸出張量,Ct表示記憶向量,It表示輸入門張量,F(xiàn)t表示遺忘門張量,Ot表示輸出門張量;?表示Hadamard 乘法;*表示卷積操作;W為卷積核,可提供權(quán)重共享。

    2.3 空間特征學(xué)習(xí)單元

    本文以區(qū)域內(nèi)POI 數(shù)量表述空間特征。需求熱度與區(qū)域及其周邊土地利用模式密切相關(guān),POI 涵蓋城市各類設(shè)施位置與屬性信息,通過多個(gè)卷積層可有效捕捉空間隱含特征,如圖4 所示。由于高層特征圖中的單個(gè)節(jié)點(diǎn)依賴于中層的多個(gè)節(jié)點(diǎn)特征映射,依賴于底層(即輸入)中所有節(jié)點(diǎn)的特征映射,即多層卷積可捕捉較大范圍內(nèi)的POI 與需求熱度之間的依賴關(guān)系。

    圖4 CNN結(jié)構(gòu)Fig.4 Structure of CNN

    為緩解卷積過程中損失需求細(xì)節(jié),本文設(shè)計(jì)了一種三通道模式,將原始POI 熱度圖劃分為3 個(gè)通道分別進(jìn)行卷積處理,包括:低密度子圖(只保留POI 數(shù)量小于θ的值)、原密度子圖(原始值全部保留)和高密度子圖(只保留POI數(shù)量大于θ的值),如圖5 所示。由于不同通道的網(wǎng)絡(luò)參數(shù)相互獨(dú)立,此結(jié)構(gòu)可有效降低密度差異性對(duì)預(yù)測(cè)效果的影響。

    圖5 需求熱度圖的通道劃分Fig.5 Channel partition of demand heat map

    2.4 子網(wǎng)絡(luò)單元聚合

    圖6 展示了不同日期和不同時(shí)段需求總數(shù)量的變化情況,可以觀察到該值存在周期性波動(dòng):在月范圍內(nèi)呈多峰狀態(tài),在日范圍內(nèi)呈現(xiàn)單峰狀態(tài)。這表明時(shí)空熱度受到近周期片段、日周期片段和周周期片段的影響,但影響程度存在著差異;同樣地,對(duì)于空間變量,劃分的不同通道對(duì)時(shí)空熱度也存在著不同影響,因此本文采取了基于參數(shù)矩陣的融合方式來調(diào)整時(shí)空熱度受不同因素的影響程度。

    圖6 乘客總數(shù)量變化示例Fig.6 Examples of total passenger number change

    分別將時(shí)間特征學(xué)習(xí)模型的輸出和空間特征學(xué)習(xí)模型的輸出以基于參數(shù)矩陣的方式融合,如式(15)(16):

    其中we、ws、wg為融合權(quán)重。

    2.5 模型訓(xùn)練

    模型訓(xùn)練的目標(biāo)為使預(yù)測(cè)值與真實(shí)值Pt的均方誤差(Mean Squared Error,MSE)最小化,從而獲得上述全部權(quán)值w的最優(yōu)取值。目標(biāo)函數(shù)如式(18)所示,其中加入L2 范式正則化項(xiàng)以避免過度擬合,α為平衡參數(shù)。模型訓(xùn)練流程如算法1 所示。

    算法1 模型訓(xùn)練流程。

    3 實(shí)驗(yàn)與結(jié)果分析

    本文基于真實(shí)數(shù)據(jù)進(jìn)行了實(shí)驗(yàn),對(duì)算法的預(yù)測(cè)精度和參數(shù)靈敏度進(jìn)行了驗(yàn)證,實(shí)驗(yàn)環(huán)境見表2。

    表2 實(shí)驗(yàn)環(huán)境Tab.2 Experimental environment

    3.1 數(shù)據(jù)源和算法參數(shù)設(shè)置

    實(shí)驗(yàn)數(shù)據(jù)源基于滴滴蓋亞數(shù)據(jù)開放計(jì)劃,采用成都市、西安市和海口市城市區(qū)域網(wǎng)約車訂單數(shù)據(jù),POI 數(shù)據(jù)通過百度地圖應(yīng)用程序編程接口(Application Programming Interface,API)獲取,時(shí)空網(wǎng)格劃分及乘客分布如圖7 所示,數(shù)據(jù)集具體參數(shù)如表3 所示。

    圖7 區(qū)域劃分及乘客分布示例Fig.7 Example of region division and passenger distribution

    表3 數(shù)據(jù)集參數(shù)Tab.3 Dataset parameters

    利用Keras 深度學(xué)習(xí)框架實(shí)驗(yàn),優(yōu)化器為Adadelta,DANN 訓(xùn)練參數(shù)設(shè)置標(biāo)準(zhǔn)為最優(yōu)預(yù)測(cè)精度,模型主要結(jié)構(gòu)具體如表4 所示。

    表4 中Conv3D 為3D 卷積層,Conv 為2D 卷積層,Maxpool為最大池化層,激活函數(shù)如式(19)所示:

    表4 DANN訓(xùn)練參數(shù)Tab.4 DANN training parameters

    3.2 模型預(yù)測(cè)精度分析

    本文將DANN 與下述8 種模型進(jìn)行對(duì)比,各算法參數(shù)設(shè)置標(biāo)準(zhǔn)為最優(yōu)預(yù)測(cè)精度,其具體值如下。

    由于對(duì)比模型與本文中使用的特征及數(shù)據(jù)存在差異,為保證對(duì)比的公平性,對(duì)比模型進(jìn)行了部分修改以保證與本文模型的對(duì)比條件一致。實(shí)驗(yàn)采用均方誤差(MSE)、平均絕對(duì)誤差(Mean Absolute Error,MAE)、R-平方(R2)和可釋方差(Explained Variance Score,EVS)作為評(píng)價(jià)標(biāo)準(zhǔn),對(duì)比實(shí)驗(yàn)結(jié)果見表5。

    由表5 可見,本文模型在上述3 個(gè)數(shù)據(jù)集的4 種指標(biāo)中均取得最高精度。從整體上來看,由于傳統(tǒng)的機(jī)器學(xué)習(xí)算法(即前4 個(gè)模型)建模能力有限,考慮的影響因子較少,因此誤差較大,3 個(gè)數(shù)據(jù)集的R2平均誤差分別為22.83%、21.77%和27.01%;而深度學(xué)習(xí)算法(即后5 個(gè)模型)相較機(jī)器學(xué)習(xí)算法在3 個(gè)數(shù)據(jù)集上的預(yù)測(cè)結(jié)果上有著較大提升,R2平均誤差分別為12.69%、9.43%和13.80%。相較于LSTM,ConvLSTM 在建模時(shí)加入了空間特征的提取,因此表現(xiàn)優(yōu)于前者,R2在3 個(gè)數(shù)據(jù)集上分別提升0.030 7、0.026 3和0.059 2。與FCL-Net模型和HDLN-Net 模型相比,DANN 在加入了空間維度POI 后,可較大幅度提升模型的預(yù)測(cè)能力,因此準(zhǔn)確度優(yōu)于前面兩種方法。與區(qū)域預(yù)測(cè)模型相比,DANN 的優(yōu)勢(shì)在于空間特征提取時(shí)采取了3 個(gè)子模型分別卷積再融合的方式,緩解了卷積過程帶來的細(xì)節(jié)損失,提升了預(yù)測(cè)的準(zhǔn)確度。此外,在時(shí)空特征的提取上,本文采取了子模型再融合的方式分別處理了近周期時(shí)空?qǐng)D、日周期時(shí)空?qǐng)D和周周期時(shí)空?qǐng)D,因此DANN 在利用環(huán)境變量、時(shí)空變量建模的情況下提取到更多有效隱含特 征,其預(yù)測(cè)精度優(yōu)于其他對(duì)比模型。

    表5 實(shí)驗(yàn)結(jié)果對(duì)比Tab.5 Comparison of experimental results

    圖8 展示了真實(shí)時(shí)空需求熱度(T)與DANN 預(yù)測(cè)值(P)的對(duì)比結(jié)果。圖中以灰度表示時(shí)間需求熱度的差異,較深的顏色代表較高的熱度。從圖中可以觀察到,預(yù)測(cè)熱度與真實(shí)熱度高度一致。此外,由圖8 可知,午高峰時(shí)段的需求強(qiáng)度顯著高于睡眠時(shí)間的需求強(qiáng)度,且需求強(qiáng)度在空間上不平衡,部分網(wǎng)格的需求強(qiáng)度顯著高于其他網(wǎng)格的需求強(qiáng)度。隨著時(shí)間的推移,需求強(qiáng)度在不同的網(wǎng)格變化較明顯,使得需求強(qiáng)度預(yù)測(cè)難度增加,而本文模型結(jié)合不同的變量捕獲時(shí)空特征可以有效解決這個(gè)問題。

    圖8 真實(shí)值與預(yù)測(cè)值的對(duì)比Fig.8 Comparison between predicted and real values

    3.3 子模型預(yù)測(cè)結(jié)果分析

    為更加直觀觀察不同子模型以及單子模型和多子模型融合后對(duì)預(yù)測(cè)結(jié)果帶來的影響,以成都數(shù)據(jù)集為例,在本節(jié)對(duì)不同的子模型預(yù)測(cè)結(jié)果進(jìn)行了分析,評(píng)價(jià)方式同3.2 節(jié),結(jié)果如表6 所示。

    表6 不同子模型對(duì)比實(shí)驗(yàn)結(jié)果Tab.6 Experimental results comparison of different sub-models

    由表6 可見,聚合模型DANN 的R2分別比時(shí)空特征學(xué)習(xí)單元(多模型)、空間特征學(xué)習(xí)單元(多模型)和外部環(huán)境特征學(xué)習(xí)單元這3 個(gè)子模型提高2.63%、12.78%和6.22%,說明聚合模型在預(yù)測(cè)結(jié)果準(zhǔn)確度上優(yōu)于單個(gè)子模型。由于聚合模型利用了不同子模型對(duì)不同特征提取的優(yōu)勢(shì),因此達(dá)到了更好的預(yù)測(cè)效果;此外,多子模型融合的結(jié)果也優(yōu)于單子模型,說明基于周期的時(shí)空變量和基于圖像點(diǎn)值的空間變量劃分方法也提高了預(yù)測(cè)的準(zhǔn)確性。

    3.4 不同天氣下的預(yù)測(cè)結(jié)果比較

    為探究不同天氣下DANN 的預(yù)測(cè)結(jié)果,將測(cè)試樣本分別按照天氣類型和空氣污染指數(shù)等級(jí)進(jìn)行分類,計(jì)算各類別預(yù)測(cè)結(jié)果的評(píng)價(jià)值(R2、EVS、MAE 和MSE),得出不同天氣條件下的預(yù)測(cè)精度,其中,空氣污染指數(shù)分為5 個(gè)等級(jí):優(yōu)、良、輕度污染、中度污染和重度污染,評(píng)價(jià)結(jié)果如表7、8 所示。

    表7 不同天氣類型下的預(yù)測(cè)結(jié)果Tab.7 Prediction results under different types of weather

    由表7 可見,DANN 在大雨天氣條件下的誤差較大,而在其他天氣條件下的波動(dòng)較小,這說明時(shí)空需求在極端天氣條件下的變化規(guī)律更為復(fù)雜。由表8 可見,DANN 在各個(gè)空氣質(zhì)量等級(jí)的條件下預(yù)測(cè)結(jié)果都較為穩(wěn)定,誤差未出現(xiàn)大波動(dòng)。綜上所述,DANN 在不同的天氣類型和空氣質(zhì)量等級(jí)下的預(yù)測(cè)效果均較為穩(wěn)定且精度較高,因此可用于不同天氣條件下的時(shí)空需求預(yù)測(cè)。

    表8 不同空氣質(zhì)量等級(jí)下的預(yù)測(cè)結(jié)果Tab.8 Prediction results under different air quality classes

    3.5 模型靈敏度影響分析

    以成都數(shù)據(jù)集為例,對(duì)本文模型的結(jié)構(gòu)和參數(shù)進(jìn)行了分析。圖9(a)顯示了迭代次數(shù)對(duì)實(shí)驗(yàn)精度的影響。如圖9(a)所示,R2在初期顯著增加,然后趨于平緩,說明該網(wǎng)絡(luò)最開始有較高的收斂速度,隨著訓(xùn)練次數(shù)的增加達(dá)到平穩(wěn)狀態(tài),而訓(xùn)練40~80 次的效果差異性較小。

    圖9(b)展示了網(wǎng)絡(luò)層數(shù)的影響:隨著網(wǎng)絡(luò)層數(shù)增大,模型的R2 先增大后減小,說明網(wǎng)絡(luò)層數(shù)越深預(yù)測(cè)效果也會(huì)越好;但當(dāng)網(wǎng)絡(luò)層數(shù)過深時(shí),模型會(huì)變得很復(fù)雜,這時(shí)往往容易出現(xiàn)欠擬合現(xiàn)象,因此預(yù)測(cè)效果逐漸變差。卷積視野的范圍由所使用的卷積核大小決定的。在這里改變卷積核的大小從2×2 到5×5,從圖9(c)可以看到,3×3 的卷積核具有較高的R2,表明其具有更好的空間依賴建模能力。從圖9(d)中可以看出卷積核數(shù)量為128 時(shí)得到的結(jié)果更好。

    圖9 參數(shù)調(diào)整與靈敏度分析Fig.9 Parameter adjustment and sensitivity analysis

    最后,對(duì)多步預(yù)測(cè)進(jìn)行了敏感度分析,圖10 表明,R2的最小值高于0.86,優(yōu)于其他對(duì)比模型。同時(shí),R2的值緩慢下降,沒有出現(xiàn)較大波動(dòng),表明該方法可以較好地適應(yīng)多步預(yù)測(cè)任務(wù)。

    圖10 多步預(yù)測(cè)敏感度分析Fig.10 Sensitivity analysis of multi-step prediction

    4 結(jié)語

    本文為準(zhǔn)確預(yù)測(cè)網(wǎng)約車需求,針對(duì)差異化結(jié)構(gòu)的多維數(shù)據(jù),提出了一種深度聚合神經(jīng)網(wǎng)絡(luò)模型。該模型綜合考慮了環(huán)境變量、時(shí)空變量等多維影響因素,提出了基于周期的時(shí)空變量和基于圖像點(diǎn)值的空間變量劃分方法;依據(jù)數(shù)據(jù)特點(diǎn)構(gòu)建了不同的子神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并提出了多種異類子神經(jīng)網(wǎng)絡(luò)的聚合方法及聚合權(quán)重的設(shè)置方法。本文模型可作為網(wǎng)約車需求預(yù)測(cè)的有效手段,預(yù)測(cè)結(jié)果可有效解決服務(wù)車輛與乘客間的供需不平衡問題,提升服務(wù)車輛的運(yùn)營效率和利潤,同時(shí)降低乘客等待時(shí)間并改善其對(duì)服務(wù)平臺(tái)的滿意度;但需要指出,深度學(xué)習(xí)模型對(duì)訓(xùn)練數(shù)據(jù)量要求較高,且其預(yù)測(cè)結(jié)果的因果可解釋性存在一定限制。未來研究將通過優(yōu)化模型網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)一步提升預(yù)測(cè)能力,并探索具有更好可解釋性的機(jī)器學(xué)習(xí)方法。

    猜你喜歡
    網(wǎng)約時(shí)空卷積
    網(wǎng)約車平臺(tái)責(zé)任條款的識(shí)別方法——基于解釋進(jìn)路的正當(dāng)規(guī)制
    法律方法(2022年2期)2022-10-20 06:45:02
    跨越時(shí)空的相遇
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    鏡中的時(shí)空穿梭
    網(wǎng)約車侵權(quán)責(zé)任在司法實(shí)踐中的認(rèn)定
    山西青年(2020年3期)2020-12-08 04:58:57
    網(wǎng)約車問題研究及對(duì)策
    活力(2019年19期)2020-01-06 07:36:02
    網(wǎng)約車安全性提高研究
    活力(2019年17期)2019-11-26 00:42:18
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    玩一次時(shí)空大“穿越”
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    日本成人三级电影网站| www.熟女人妻精品国产| av在线天堂中文字幕| 久久人人精品亚洲av| 日韩精品中文字幕看吧| 亚洲av电影不卡..在线观看| 99在线视频只有这里精品首页| 一本一本综合久久| 欧美性猛交黑人性爽| 波多野结衣高清无吗| 可以在线观看毛片的网站| 好男人在线观看高清免费视频| 欧美日韩乱码在线| 视频区欧美日本亚洲| 国产精品久久久人人做人人爽| 日本免费一区二区三区高清不卡| 每晚都被弄得嗷嗷叫到高潮| 国产1区2区3区精品| 精品无人区乱码1区二区| 久久亚洲真实| 亚洲av免费在线观看| 又粗又爽又猛毛片免费看| 欧美乱色亚洲激情| 国产久久久一区二区三区| 制服丝袜大香蕉在线| 国产精品免费一区二区三区在线| 18禁观看日本| 亚洲天堂国产精品一区在线| 午夜精品久久久久久毛片777| 亚洲精品色激情综合| 香蕉久久夜色| 国产欧美日韩精品一区二区| 欧美乱妇无乱码| 九色成人免费人妻av| 国产欧美日韩一区二区三| 久久久久久久久中文| 色尼玛亚洲综合影院| 国产精品久久视频播放| 在线永久观看黄色视频| 亚洲乱码一区二区免费版| 久久久久性生活片| 久久久久久久午夜电影| avwww免费| 男人舔女人的私密视频| 国产乱人视频| 悠悠久久av| 日日夜夜操网爽| 国产精品 欧美亚洲| 国产成人aa在线观看| 两性夫妻黄色片| 午夜福利在线观看吧| 午夜亚洲福利在线播放| 国产黄a三级三级三级人| 岛国视频午夜一区免费看| 美女免费视频网站| 一二三四在线观看免费中文在| 亚洲在线观看片| 午夜福利成人在线免费观看| 高清毛片免费观看视频网站| 变态另类丝袜制服| 免费人成视频x8x8入口观看| 99re在线观看精品视频| 亚洲一区二区三区色噜噜| 久久久久免费精品人妻一区二区| 久久午夜综合久久蜜桃| 99精品久久久久人妻精品| 啪啪无遮挡十八禁网站| 成在线人永久免费视频| 亚洲,欧美精品.| 午夜a级毛片| 精品国产三级普通话版| 国产一区二区在线观看日韩 | 99久久精品热视频| 国产乱人伦免费视频| 两个人看的免费小视频| 日韩欧美在线二视频| 婷婷丁香在线五月| 国产精品亚洲av一区麻豆| www.www免费av| 日日干狠狠操夜夜爽| 国产一区二区三区在线臀色熟女| 久久久久久久久久黄片| 久久99热这里只有精品18| av国产免费在线观看| 国产99白浆流出| 又黄又粗又硬又大视频| 一级毛片精品| 精品一区二区三区av网在线观看| 亚洲av电影不卡..在线观看| 女警被强在线播放| 亚洲aⅴ乱码一区二区在线播放| 极品教师在线免费播放| 搡老岳熟女国产| 草草在线视频免费看| 久久久国产欧美日韩av| 欧美+亚洲+日韩+国产| 熟妇人妻久久中文字幕3abv| 日韩有码中文字幕| 欧美日韩乱码在线| 男女床上黄色一级片免费看| 亚洲乱码一区二区免费版| 每晚都被弄得嗷嗷叫到高潮| 999精品在线视频| 久久精品人妻少妇| 日韩欧美在线乱码| 波多野结衣巨乳人妻| 久久久精品大字幕| 中文字幕最新亚洲高清| 亚洲欧美精品综合久久99| 亚洲欧美日韩高清专用| 麻豆国产97在线/欧美| 亚洲美女视频黄频| 亚洲av片天天在线观看| 久久草成人影院| 国产av不卡久久| 在线观看免费视频日本深夜| 一区二区三区国产精品乱码| 高潮久久久久久久久久久不卡| 最近最新中文字幕大全电影3| 中文字幕最新亚洲高清| 国产精品久久电影中文字幕| 后天国语完整版免费观看| 俺也久久电影网| 成年人黄色毛片网站| 嫁个100分男人电影在线观看| 国内毛片毛片毛片毛片毛片| 一夜夜www| 一个人免费在线观看的高清视频| 露出奶头的视频| 一区福利在线观看| 此物有八面人人有两片| 韩国av一区二区三区四区| 日本黄色片子视频| 日本精品一区二区三区蜜桃| av在线蜜桃| 亚洲国产日韩欧美精品在线观看 | 久久香蕉国产精品| 黄片小视频在线播放| 国产视频一区二区在线看| 亚洲国产精品合色在线| 婷婷精品国产亚洲av| 757午夜福利合集在线观看| 一个人看视频在线观看www免费 | 国产aⅴ精品一区二区三区波| 成人亚洲精品av一区二区| av中文乱码字幕在线| 免费无遮挡裸体视频| 小说图片视频综合网站| 亚洲中文字幕一区二区三区有码在线看 | 欧美激情在线99| 亚洲五月天丁香| 99riav亚洲国产免费| 毛片女人毛片| 舔av片在线| 亚洲狠狠婷婷综合久久图片| 18禁美女被吸乳视频| 免费高清视频大片| 午夜免费观看网址| 国内揄拍国产精品人妻在线| 午夜福利在线在线| 搡老岳熟女国产| 一级a爱片免费观看的视频| 亚洲自拍偷在线| 美女免费视频网站| 日韩 欧美 亚洲 中文字幕| 亚洲国产高清在线一区二区三| 精品福利观看| 麻豆一二三区av精品| 最新美女视频免费是黄的| 少妇的丰满在线观看| 国产精品久久电影中文字幕| 夜夜躁狠狠躁天天躁| 欧美高清成人免费视频www| www日本在线高清视频| 亚洲专区中文字幕在线| 国产精品免费一区二区三区在线| 日本 欧美在线| 精品久久久久久成人av| 在线十欧美十亚洲十日本专区| 国产男靠女视频免费网站| 日本 av在线| 国产私拍福利视频在线观看| 日本精品一区二区三区蜜桃| 亚洲九九香蕉| 色播亚洲综合网| 午夜福利视频1000在线观看| 久久久色成人| 在线看三级毛片| 狂野欧美白嫩少妇大欣赏| 亚洲欧美日韩高清在线视频| 夜夜躁狠狠躁天天躁| 99精品在免费线老司机午夜| 一级毛片高清免费大全| 搡老熟女国产l中国老女人| 色综合婷婷激情| 日韩精品中文字幕看吧| 九九在线视频观看精品| 国产午夜福利久久久久久| 日韩免费av在线播放| 国产乱人视频| 亚洲美女黄片视频| 99re在线观看精品视频| 久久久久久久久久黄片| 欧美黄色片欧美黄色片| 九色成人免费人妻av| a级毛片a级免费在线| 精品免费久久久久久久清纯| 亚洲精华国产精华精| 国产成人影院久久av| 一级作爱视频免费观看| 国产69精品久久久久777片 | 午夜久久久久精精品| 精品国产乱子伦一区二区三区| xxx96com| 国产精品99久久久久久久久| 国语自产精品视频在线第100页| 每晚都被弄得嗷嗷叫到高潮| 18禁黄网站禁片免费观看直播| 亚洲熟妇中文字幕五十中出| 午夜亚洲福利在线播放| 欧美在线一区亚洲| 欧美成狂野欧美在线观看| 国产精品美女特级片免费视频播放器 | 久久九九热精品免费| 中文字幕精品亚洲无线码一区| www.精华液| 99热精品在线国产| 特级一级黄色大片| 老熟妇仑乱视频hdxx| www日本黄色视频网| 久久久水蜜桃国产精品网| 免费看美女性在线毛片视频| 天天躁日日操中文字幕| 中文字幕精品亚洲无线码一区| 精品99又大又爽又粗少妇毛片 | 亚洲精品456在线播放app | 欧美色视频一区免费| 国内精品久久久久久久电影| 日韩欧美国产在线观看| 天堂av国产一区二区熟女人妻| 国语自产精品视频在线第100页| 日韩成人在线观看一区二区三区| 欧美黑人欧美精品刺激| 九色成人免费人妻av| 欧美黑人巨大hd| 欧美3d第一页| 欧美大码av| 国内精品一区二区在线观看| 久久久久亚洲av毛片大全| 宅男免费午夜| 国产精品自产拍在线观看55亚洲| 国模一区二区三区四区视频 | 亚洲国产精品合色在线| 人妻夜夜爽99麻豆av| 国产不卡一卡二| 亚洲中文av在线| 一本久久中文字幕| 国产成人欧美在线观看| 日日夜夜操网爽| 亚洲自偷自拍图片 自拍| 曰老女人黄片| 精品久久久久久,| 国产精品日韩av在线免费观看| 丝袜人妻中文字幕| 久久精品国产99精品国产亚洲性色| 免费观看精品视频网站| 国产精品1区2区在线观看.| 美女大奶头视频| 淫秽高清视频在线观看| 一本一本综合久久| 午夜久久久久精精品| 不卡av一区二区三区| 一进一出抽搐gif免费好疼| 香蕉av资源在线| 18禁美女被吸乳视频| 热99re8久久精品国产| 午夜久久久久精精品| 一本综合久久免费| 在线观看免费视频日本深夜| 国产三级在线视频| 五月玫瑰六月丁香| 欧美成人性av电影在线观看| 亚洲国产色片| 欧美大码av| 色老头精品视频在线观看| 两个人的视频大全免费| 亚洲,欧美精品.| www.www免费av| svipshipincom国产片| 一个人看视频在线观看www免费 | 国产精品一区二区三区四区免费观看 | 美女大奶头视频| 19禁男女啪啪无遮挡网站| 久久九九热精品免费| 精品日产1卡2卡| 91九色精品人成在线观看| ponron亚洲| 亚洲精品国产精品久久久不卡| 久久精品91无色码中文字幕| 亚洲第一欧美日韩一区二区三区| 国产探花在线观看一区二区| 国产一级毛片七仙女欲春2| 男女做爰动态图高潮gif福利片| 男女之事视频高清在线观看| 免费在线观看亚洲国产| 少妇的逼水好多| 我的老师免费观看完整版| 男女做爰动态图高潮gif福利片| 久久中文字幕一级| 久久久国产成人免费| 国产精品永久免费网站| 亚洲午夜精品一区,二区,三区| 亚洲电影在线观看av| 日本黄大片高清| 十八禁网站免费在线| tocl精华| 成人三级做爰电影| 国产av一区在线观看免费| 成人高潮视频无遮挡免费网站| 不卡av一区二区三区| 嫩草影视91久久| 亚洲精品国产精品久久久不卡| 国产欧美日韩一区二区精品| 真实男女啪啪啪动态图| 黄色成人免费大全| avwww免费| 亚洲av熟女| 婷婷丁香在线五月| 亚洲va日本ⅴa欧美va伊人久久| 久久精品人妻少妇| www.999成人在线观看| 在线观看午夜福利视频| 亚洲国产中文字幕在线视频| 又黄又粗又硬又大视频| 日韩欧美国产一区二区入口| 五月玫瑰六月丁香| 给我免费播放毛片高清在线观看| 国产高清三级在线| 亚洲人成网站在线播放欧美日韩| 久久精品国产亚洲av香蕉五月| 色精品久久人妻99蜜桃| www.精华液| 国产精品99久久99久久久不卡| 一a级毛片在线观看| 搡老妇女老女人老熟妇| 中出人妻视频一区二区| 成人国产综合亚洲| 午夜福利欧美成人| 国模一区二区三区四区视频 | 亚洲 国产 在线| 国产精品日韩av在线免费观看| 国产成人aa在线观看| 精品国内亚洲2022精品成人| 国产午夜福利久久久久久| 在线免费观看的www视频| a在线观看视频网站| 日韩大尺度精品在线看网址| 免费看光身美女| 在线观看免费视频日本深夜| 一a级毛片在线观看| 老鸭窝网址在线观看| 99久久成人亚洲精品观看| 亚洲 欧美 日韩 在线 免费| 久久中文看片网| 国产欧美日韩一区二区精品| 亚洲 欧美一区二区三区| 此物有八面人人有两片| 免费观看人在逋| www国产在线视频色| 婷婷精品国产亚洲av| 99久久精品热视频| 免费观看的影片在线观看| 国产探花在线观看一区二区| 精品电影一区二区在线| 久久香蕉国产精品| 又爽又黄无遮挡网站| 一级黄色大片毛片| 99热只有精品国产| 成年免费大片在线观看| 亚洲成av人片在线播放无| 色在线成人网| av在线天堂中文字幕| 美女高潮的动态| 欧美日韩瑟瑟在线播放| 久久婷婷人人爽人人干人人爱| 国产成人精品无人区| 国产激情久久老熟女| 亚洲欧美精品综合一区二区三区| 国内揄拍国产精品人妻在线| 在线观看午夜福利视频| 国产 一区 欧美 日韩| 18禁观看日本| 亚洲性夜色夜夜综合| 少妇的丰满在线观看| 老熟妇乱子伦视频在线观看| 男女做爰动态图高潮gif福利片| 中国美女看黄片| 国产在线精品亚洲第一网站| 午夜福利在线观看免费完整高清在 | 国产亚洲精品综合一区在线观看| 国产精品久久久久久亚洲av鲁大| 日韩欧美免费精品| 日韩欧美在线二视频| 日韩欧美 国产精品| 露出奶头的视频| 久久精品国产99精品国产亚洲性色| 激情在线观看视频在线高清| 国产91精品成人一区二区三区| 久久午夜亚洲精品久久| 免费观看精品视频网站| 久久精品人妻少妇| 听说在线观看完整版免费高清| 久久久久国产一级毛片高清牌| 色老头精品视频在线观看| 99久久精品热视频| 禁无遮挡网站| 国产激情偷乱视频一区二区| 午夜福利在线在线| 亚洲欧美日韩卡通动漫| 久久热在线av| 999久久久精品免费观看国产| 欧美一区二区国产精品久久精品| xxxwww97欧美| 欧美精品啪啪一区二区三区| 久久精品国产亚洲av香蕉五月| 男插女下体视频免费在线播放| 免费观看精品视频网站| 人人妻人人澡欧美一区二区| 亚洲成av人片免费观看| 欧美最黄视频在线播放免费| 亚洲成人精品中文字幕电影| 久久久久九九精品影院| 一个人看视频在线观看www免费 | 男女做爰动态图高潮gif福利片| 久久天躁狠狠躁夜夜2o2o| 精品久久久久久久久久免费视频| 亚洲精品一区av在线观看| 性色avwww在线观看| 757午夜福利合集在线观看| 免费高清视频大片| 国产久久久一区二区三区| 欧美又色又爽又黄视频| 日本 欧美在线| 成人永久免费在线观看视频| 欧美黑人欧美精品刺激| www国产在线视频色| 色哟哟哟哟哟哟| 在线观看美女被高潮喷水网站 | 欧美绝顶高潮抽搐喷水| 午夜免费观看网址| 亚洲精品456在线播放app | 美女大奶头视频| 中国美女看黄片| 国产伦一二天堂av在线观看| 国产欧美日韩精品亚洲av| 99久国产av精品| 一区二区三区高清视频在线| 两个人视频免费观看高清| 中文字幕av在线有码专区| a级毛片在线看网站| 欧美极品一区二区三区四区| 欧美日韩黄片免| 91av网站免费观看| 国产成人av激情在线播放| 国产精品久久久av美女十八| 久久性视频一级片| 国产精品亚洲美女久久久| 久久中文看片网| 99久国产av精品| 又粗又爽又猛毛片免费看| 亚洲黑人精品在线| 免费一级毛片在线播放高清视频| 久久这里只有精品中国| 午夜激情福利司机影院| 国产精品一区二区三区四区免费观看 | 哪里可以看免费的av片| 中国美女看黄片| 国产亚洲精品av在线| 久久中文看片网| www国产在线视频色| 12—13女人毛片做爰片一| 性色av乱码一区二区三区2| 可以在线观看毛片的网站| 国产精品av视频在线免费观看| 国产成人av教育| 成年女人看的毛片在线观看| 岛国在线免费视频观看| 国产伦精品一区二区三区四那| avwww免费| 精品一区二区三区四区五区乱码| 亚洲 欧美 日韩 在线 免费| 色播亚洲综合网| 日韩欧美在线乱码| 国产成年人精品一区二区| 亚洲欧美精品综合久久99| 18禁观看日本| 亚洲成av人片免费观看| 手机成人av网站| 叶爱在线成人免费视频播放| 制服人妻中文乱码| www日本黄色视频网| 国产97色在线日韩免费| 欧美绝顶高潮抽搐喷水| 美女大奶头视频| 欧美日韩一级在线毛片| 超碰成人久久| 精品国产三级普通话版| 欧美日韩一级在线毛片| 亚洲精品在线美女| 嫩草影院入口| 亚洲自偷自拍图片 自拍| 久久久久久国产a免费观看| 校园春色视频在线观看| 在线视频色国产色| 99久久精品国产亚洲精品| 亚洲专区中文字幕在线| 给我免费播放毛片高清在线观看| 全区人妻精品视频| 欧美黑人巨大hd| 成人永久免费在线观看视频| 亚洲无线在线观看| 成人欧美大片| 国产欧美日韩一区二区三| 成人亚洲精品av一区二区| 97碰自拍视频| 午夜福利视频1000在线观看| 婷婷精品国产亚洲av| 国产伦人伦偷精品视频| 99久久99久久久精品蜜桃| 女生性感内裤真人,穿戴方法视频| 中文字幕最新亚洲高清| 天天躁狠狠躁夜夜躁狠狠躁| 国产成人aa在线观看| 久久精品91蜜桃| 亚洲av熟女| 欧美乱色亚洲激情| 久久中文字幕一级| 国产精品一区二区免费欧美| 色噜噜av男人的天堂激情| 久久精品国产99精品国产亚洲性色| 亚洲 国产 在线| 国产亚洲精品久久久com| 亚洲成人免费电影在线观看| 丝袜人妻中文字幕| 国内精品一区二区在线观看| a级毛片a级免费在线| 午夜久久久久精精品| 热99在线观看视频| 免费看日本二区| 99国产极品粉嫩在线观看| 午夜精品在线福利| 在线观看66精品国产| 亚洲欧美日韩卡通动漫| 国产亚洲精品综合一区在线观看| 色吧在线观看| svipshipincom国产片| 午夜a级毛片| 精品久久久久久成人av| 精华霜和精华液先用哪个| 欧美色欧美亚洲另类二区| 久久精品人妻少妇| 欧美乱妇无乱码| 麻豆成人av在线观看| 亚洲国产精品成人综合色| 国产亚洲精品一区二区www| 亚洲性夜色夜夜综合| 国产亚洲精品av在线| 久久香蕉国产精品| 亚洲av中文字字幕乱码综合| 床上黄色一级片| 欧美最黄视频在线播放免费| 亚洲熟妇熟女久久| 啦啦啦观看免费观看视频高清| 国产欧美日韩精品亚洲av| 精品国产乱子伦一区二区三区| 欧美黄色片欧美黄色片| 天堂影院成人在线观看| 国产精品久久久久久精品电影| 欧美极品一区二区三区四区| 亚洲国产精品sss在线观看| 首页视频小说图片口味搜索| 波多野结衣高清无吗| 国产亚洲欧美98| 久久国产乱子伦精品免费另类| e午夜精品久久久久久久| 欧美又色又爽又黄视频| 狂野欧美白嫩少妇大欣赏| 国产午夜福利久久久久久| 男插女下体视频免费在线播放| 99视频精品全部免费 在线 | 日韩欧美在线二视频| 久久这里只有精品中国| 色尼玛亚洲综合影院| 久久精品国产亚洲av香蕉五月| 精品99又大又爽又粗少妇毛片 | 啦啦啦免费观看视频1| 国产成人欧美在线观看| 亚洲欧美日韩无卡精品| 老司机福利观看| 18禁黄网站禁片免费观看直播| 给我免费播放毛片高清在线观看| 白带黄色成豆腐渣| 国产成人精品无人区| 又黄又爽又免费观看的视频| 狠狠狠狠99中文字幕| 亚洲专区字幕在线| 岛国视频午夜一区免费看| 精品久久蜜臀av无| 少妇人妻一区二区三区视频| 久久久国产成人免费| 成人国产综合亚洲| 日本a在线网址| 99国产精品一区二区三区| 18禁美女被吸乳视频| 国产精品亚洲美女久久久|