• <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splice-LSTM的多因素西江水位預(yù)測(cè)模型研究

    2023-08-08 20:32:44呂海峰冀肖榆丁勇
    人民長江 2023年7期
    關(guān)鍵詞:西江梧州站點(diǎn)

    呂海峰 冀肖榆 丁勇

    摘要:

    準(zhǔn)確的水位和水量等水文時(shí)間序列預(yù)測(cè)是水資源管理的重要依據(jù)。受上游支流流量、水位等因素影響,傳統(tǒng)的單因素水位預(yù)測(cè)模型不能有效考慮眾多因素,水位預(yù)測(cè)精度面臨嚴(yán)峻挑戰(zhàn)。以典型西江干線梧州站水位精準(zhǔn)預(yù)測(cè)為研究對(duì)象,建立了基于splice-LSTM的多因素水位預(yù)測(cè)模型,采用拼接的長短期記憶網(wǎng)絡(luò)(LSTM)和全連接線性模型(Linear),對(duì)2020~2021年西江干線多站點(diǎn)的流量數(shù)據(jù)進(jìn)行分析,預(yù)測(cè)梧州站點(diǎn)的水位。研究結(jié)果表明:① 由于splice-LSTM中引入了非線性層,提高了近期歷史輸入數(shù)據(jù)的權(quán)重,使得模型預(yù)測(cè)值更加接近歷史真實(shí)值,降低了預(yù)測(cè)誤差,Linear部分可以提高模型對(duì)于線性成分的敏感性,使得模型在水位峰值處的預(yù)測(cè)更加準(zhǔn)確;② splice-LSTM模型與傳統(tǒng)單因素的ARIMA模型、LSTM模型相比,在水位預(yù)測(cè)方面準(zhǔn)確度分別提升14.4%,10.1%。研究成果可為西江船閘運(yùn)行調(diào)度中心精準(zhǔn)預(yù)調(diào)度船舶提供參考。

    關(guān) 鍵 詞:

    水位預(yù)測(cè); 船閘調(diào)度; splice-LSTM模型; 西江流域

    中圖法分類號(hào): TV698.1

    文獻(xiàn)標(biāo)志碼: A

    DOI:10.16232/j.cnki.1001-4179.2023.07.012

    0 引 言

    精準(zhǔn)的水位預(yù)測(cè)對(duì)于江河流域安全及水資源的合理調(diào)度具有重要意義??紤]到江河水位存在波動(dòng)性、季節(jié)性等眾多特點(diǎn),且影響水位的因素較多,如各個(gè)上游支流的流量、潮汐和降雨量等,多因素作用使得水位規(guī)律難以預(yù)判,水位精準(zhǔn)預(yù)測(cè)的難度大大提升。隨著大數(shù)據(jù)、人工智能等技術(shù)的快速發(fā)展,對(duì)于水位長時(shí)段預(yù)測(cè)問題,國內(nèi)外眾多水文學(xué)者利用機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘以及深度學(xué)習(xí)方法[1-2],研究改進(jìn)現(xiàn)有水位預(yù)測(cè)方法和模型,提出了一系列可行的預(yù)測(cè)模型。對(duì)于該領(lǐng)域,學(xué)者們主要從兩方面進(jìn)行研究:一方面是水位預(yù)測(cè)模型構(gòu)建的時(shí)間序列、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法;另一方面是用于提升模型泛化能力的特征抽取算法及模型,且在水位預(yù)測(cè)方面,學(xué)者們的研究方法主要側(cè)重于傳統(tǒng)的單因素時(shí)間序列處理,即只考慮將水位作為輸入變量。目前,國內(nèi)外主要基于以下幾種時(shí)間序列學(xué)習(xí)算法進(jìn)行水位預(yù)測(cè)領(lǐng)域的模型研究。

    一種是應(yīng)用十分廣泛的時(shí)間序列預(yù)測(cè)模型——基于差分自回歸移動(dòng)平均模型(Autoregressive Integrated Moving Average model,ARIMA)[3]時(shí)間序列的水位預(yù)測(cè)。其核心為非平穩(wěn)時(shí)間序列向平穩(wěn)時(shí)間序列轉(zhuǎn)變,接著以因變量對(duì)其誤差隨機(jī)項(xiàng)和滯后值建立回歸模型。King等[4]在2017年提出改進(jìn)的ARIMA模型,以預(yù)測(cè)美國新墨西哥州海洛因水庫月流量,Pearson系數(shù)高達(dá)0.968。余珍[5]在2018年采用ARIMA模型對(duì)漢口、監(jiān)利、安慶站歷史水位時(shí)間序列進(jìn)行預(yù)測(cè)分析,逐日平均水位的預(yù)測(cè)與觀測(cè)值擬合程度較高,但是汛期水位頻繁劇烈的波動(dòng)在一定程度上會(huì)降低預(yù)測(cè)精度。

    另一種是基于神經(jīng)網(wǎng)絡(luò)模型的水位預(yù)測(cè)。常用的神經(jīng)網(wǎng)絡(luò)水位預(yù)測(cè)模型包括:遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)。其中ANN也被稱為前饋神經(jīng)網(wǎng)絡(luò),一般由輸入層、隱藏層和輸出層構(gòu)成,是一個(gè)多數(shù)神經(jīng)元互相連接構(gòu)成且具有適應(yīng)性的運(yùn)算模型。每一層由多個(gè)激活函數(shù)組成的神經(jīng)元構(gòu)成,神經(jīng)元間的連接包括對(duì)當(dāng)前信號(hào)輸出的權(quán)重。ANN可以學(xué)習(xí)非線性函數(shù),但容易丟失空間特征。Deo等[6]在2017年利用ANN構(gòu)建了澳大利亞新南威爾士州達(dá)令河月平均水位預(yù)測(cè)模型,預(yù)測(cè)效果較好,均方根誤差(RMSE)約為0.49 m。許國艷等[7]將CNN應(yīng)用于水位時(shí)間序列模型的預(yù)測(cè),取得了RMSE為0.028、預(yù)報(bào)準(zhǔn)確率為91%的理想預(yù)測(cè)結(jié)果。劉青松等[8]在2020年提出基于AR-RNN多變量模型,對(duì)四川省清溪河流域的水位進(jìn)行預(yù)測(cè),實(shí)現(xiàn)了較低相對(duì)誤差的預(yù)測(cè)效果。LSTM[9]是RNN的一個(gè)變種,它通過增加門控機(jī)制來緩解RNN梯度消失或爆炸的問題,門控的值可以決定信息的丟失或保留,使得LSTM可以真正有效地學(xué)習(xí)長距離的時(shí)序信息。目前基于LSTM 模型的時(shí)間序列預(yù)測(cè)已經(jīng)得到廣泛應(yīng)用,如馮銳[10]在2019年基于LSTM模型構(gòu)建九龍江流域單站點(diǎn)水位預(yù)測(cè)模型及三水位站聯(lián)動(dòng)預(yù)測(cè)模型,對(duì)長江沿線水位進(jìn)行預(yù)測(cè),取得較好的效果。LSTM遺忘門結(jié)構(gòu)能夠保留或丟失過去的順序信息,用來預(yù)測(cè)時(shí)間序列數(shù)據(jù)較為合適。因此,本文采用Kulisz等[11]提出的擴(kuò)展多個(gè)隱藏層的LSTM結(jié)構(gòu),根據(jù)歷史數(shù)據(jù)來進(jìn)行水位預(yù)測(cè)研究。

    盡管基于數(shù)據(jù)驅(qū)動(dòng)的神經(jīng)網(wǎng)絡(luò),尤其是RNN模型的水位預(yù)測(cè)模型取得了較好效果。然而水位預(yù)測(cè)并不是與所有輸入數(shù)據(jù)呈現(xiàn)正相關(guān),不相關(guān)的數(shù)據(jù)容易成為影響水位預(yù)測(cè)的干擾因素。由此可見,基于純數(shù)據(jù)驅(qū)動(dòng)的水位預(yù)測(cè)存在下列局限:① 水位受上游支流、周邊雨量、潮汐等因素的影響,這些長期的歷史數(shù)據(jù)驅(qū)動(dòng)模型難以保存,導(dǎo)致預(yù)測(cè)達(dá)不到預(yù)期效果;② 數(shù)據(jù)驅(qū)動(dòng)模型預(yù)測(cè)效果隨著預(yù)測(cè)步長增加而急劇降低。

    鑒于上述模型存在的不足,本文在傳統(tǒng)的單因素水位預(yù)測(cè)基礎(chǔ)之上,以西江流域梧州站水位預(yù)測(cè)為例,引入上游支流的流量、水位等多因素進(jìn)行水位預(yù)測(cè),提出了一種基于splice-LSTM的多因素水位預(yù)測(cè)模型,并根據(jù)實(shí)驗(yàn)確定較優(yōu)預(yù)測(cè)時(shí)間間隔,利用均方根誤差(RMSE)、Pearson相關(guān)系數(shù)平方(R2)和Nash-Sutcliffe 效率系數(shù)(NSE)等評(píng)價(jià)指標(biāo)確定較優(yōu)模型參數(shù)。

    1 研究區(qū)域與方法

    1.1 研究區(qū)概況

    西江,古稱郁水、浪水和牂牁江,是珠江干流,東連粵港澳,西接云貴,貫穿廣西[12]。發(fā)源地為云南省曲靖市烏蒙山余脈馬雄山東麓,貫穿粵、桂、黔、滇等4個(gè)?。▍^(qū)),至廣東省三水思賢滘與北江、東江匯集,融匯珠江三角洲多條河,經(jīng)過磨刀門流入南海。珠江-西江流域徑流量和水運(yùn)量處在全國第2位,僅次于長江。2014年珠江-西江經(jīng)濟(jì)帶發(fā)展規(guī)劃的批復(fù)標(biāo)志著西江黃金水道上升為國家戰(zhàn)略。西江干流在廣西境內(nèi)的內(nèi)河航道以梧州為總匯,梧州是西江黃金水道的龍頭城市,也是西江水情、航運(yùn)數(shù)據(jù)的主要測(cè)量點(diǎn)和匯聚點(diǎn)。

    西江全流域有600多個(gè)水文站監(jiān)測(cè)實(shí)時(shí)數(shù)據(jù)(流量、水位),部分水文站位置如圖1所示。本次研究以緩解西江船舶[13]滯航的問題為目的,預(yù)測(cè)船舶在枯水期及汛期適合通航的水位點(diǎn)。對(duì)西江流域梧州站點(diǎn)水位數(shù)據(jù)進(jìn)行采集后,構(gòu)建基于splice-LSTM的水位預(yù)測(cè)模型進(jìn)行梧州站單站點(diǎn)的水位預(yù)測(cè)。為更好地保障船舶正常安全通航,應(yīng)設(shè)計(jì)更為精準(zhǔn)的水位預(yù)測(cè)方法。

    1.2 評(píng)價(jià)指標(biāo)與原始數(shù)據(jù)

    1.2.1 評(píng)價(jià)指標(biāo)

    為了檢驗(yàn)?zāi)P陀行裕疚睦梦鹘删€梧州站點(diǎn)2020~2021年的流量和水位數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。模型評(píng)價(jià)指標(biāo)選取Pearson相關(guān)系數(shù)平方R2、均方根誤差RMSE和Nash-Sutcliffe效率系數(shù)NSE[14]進(jìn)行衡量。

    1.3 數(shù)據(jù)預(yù)處理

    考慮到有些傳感器不能正常工作,原始數(shù)據(jù)里可能存在異常值和缺失值。假如把帶有異常或缺失值的原始數(shù)據(jù)作為模型輸入,可能會(huì)降低模型的擬合效果。實(shí)驗(yàn)中對(duì)異常值和缺失值的處理均采用插補(bǔ)法進(jìn)行填充,具體做法是對(duì)缺失值或者異常值所處的時(shí)刻t最近n個(gè)時(shí)刻數(shù)據(jù)(xt-n,xt-n+1,…,xt-1)求均值填充??紤]到處理后的數(shù)據(jù)不同因素的單位不一樣(比如單位為m3 /s的流量,單位為m的水位),數(shù)據(jù)的大小也不一致,需要將各個(gè)因素的值進(jìn)行歸一化處理[15]。歸一化后的數(shù)據(jù)有助于模型更好發(fā)現(xiàn)每個(gè)因素之間的聯(lián)系,提高模型訓(xùn)練的收斂速度,減少模型的訓(xùn)練時(shí)間。歸一化數(shù)據(jù)的表達(dá)式如下。

    x*=x-xminxmax-xmin(4)

    式中:xmax表示輸入數(shù)據(jù)的最大值;xmin表示輸入數(shù)據(jù)的最小值。歸一化后每個(gè)樣本數(shù)據(jù)的范圍在[0,1]之間,每個(gè)因素的趨勢(shì)如圖3所示。

    1.4 研究方法

    一個(gè)有效的對(duì)多因素進(jìn)行建模的水位預(yù)測(cè)模型,對(duì)提升水位預(yù)測(cè)效果至關(guān)重要[16]??紤]到水位的長短期模式,圖4展示了基于splice-LSTM的多因素水位預(yù)測(cè)模型的框架。

    1.4.1 模型原理

    由模型框架圖可知,splice-LSTM模型由輸入層、LSTM層、全連接層和輸出層構(gòu)成,除了全連接層數(shù)為2之外,其余層數(shù)均為1。預(yù)測(cè)的輸入由當(dāng)前預(yù)測(cè)時(shí)間節(jié)點(diǎn)t+i往前推t時(shí)刻的歷史輸入數(shù)據(jù)x1,x2,…,xt在基于LSTM層的非線性單元和全連接層的線性單元共同決定。該架構(gòu)不僅能有效解決水文序列間復(fù)雜非線性依賴的問題,而且能夠大大降低非線性層帶來的線性元素敏感性。其具體步驟為:

    ① 首先,將由當(dāng)前預(yù)測(cè)時(shí)間節(jié)點(diǎn)t+i往前推t時(shí)刻的歷史輸入數(shù)據(jù)x1,x2,…,xt作為輸入層。其中t表示神經(jīng)單元步長,即當(dāng)前預(yù)測(cè)值依賴前t個(gè)時(shí)刻的輸入,i表示預(yù)測(cè)間隔,即預(yù)測(cè)未來第i個(gè)時(shí)刻的水位值。

    ② 然后,為了提高近期歷史輸入數(shù)據(jù)的權(quán)重,降低預(yù)測(cè)誤差,LSTM層對(duì)不同時(shí)刻的輸入分別編碼t次,并對(duì)每一次最后時(shí)刻的狀態(tài)進(jìn)行拼接,分別得到t個(gè)維度為[(batch_size,t,1),(batch_size,t-1,1),…,(batch_size,1,1)]的隱藏狀態(tài),對(duì)這t個(gè)隱藏狀態(tài)按dim=1進(jìn)行拼接,以圖4所示中的表示。

    ③ 接著將LSTM層的輸出結(jié)果(batch_size,1+2+…+t,1)經(jīng)過降維后輸入至由兩個(gè)線性函數(shù)FFN1和FFN2組成的全連接層,得到預(yù)測(cè)當(dāng)前時(shí)刻水位預(yù)測(cè)值,輸出維度為(batch_size,1)。

    下面簡單闡述非線性層的LSTM網(wǎng)絡(luò)結(jié)構(gòu)。

    LSTM在RNN結(jié)構(gòu)上有遺忘門(Forget Gate)、輸入門(Input Gate)和輸出門(Output Gate)3個(gè)門控機(jī)制,互相連接的具體結(jié)構(gòu)如圖5所示。經(jīng)過設(shè)置神經(jīng)網(wǎng)絡(luò)的記憶單元和別的連接末尾處的系數(shù)控制信息流的細(xì)胞單元(Memory cell)、輸出和輸入狀態(tài)。

    在當(dāng)前時(shí)刻t,由多個(gè)神經(jīng)元組成輸入數(shù)據(jù)xt;在前一時(shí)刻t-1,隱狀態(tài)ht-1包含多個(gè)神經(jīng)元;xt先后經(jīng)過遺忘門、輸入門和輸出門。

    遺忘門:控制上一時(shí)刻記憶單元的信息是否保留到當(dāng)前時(shí)刻記憶單元,記為ft,公式如下。

    ft=σWfxt+Ufht-1+bf(5)

    式中:Wf和Uf分別為當(dāng)前t時(shí)刻輸入數(shù)據(jù)xt和前一時(shí)刻t-1隱狀態(tài)ht-1相關(guān)權(quán)重系數(shù);bf為偏置項(xiàng);σ為sigmoid激活函數(shù)。

    輸入門:決定當(dāng)前時(shí)刻輸入信息能否進(jìn)入記憶單元的過程稱為輸入門,記為it。輸入數(shù)據(jù)與輸入門兩類特征源的混合的來源公式如下。

    it=σWixt+Uiht-1+bi(6)

    Ct~=tanhWcxt+Ucht-1+bc(7)

    式中:Wi,Ui,Wc和Uc分別表示其對(duì)應(yīng)門控的循環(huán)連接權(quán)值;tanh為雙曲正切激活函數(shù);Ct~為t時(shí)刻臨時(shí)的cell,它來源于當(dāng)前的輸入xt及上一時(shí)刻的隱狀態(tài)ht-1;bc為偏置項(xiàng)。xt和ht-1都有對(duì)應(yīng)的權(quán)重,通過一個(gè)非線性tanh函數(shù),得到一個(gè)[-1,1]之間的數(shù)值向量。

    神經(jīng)元細(xì)胞狀態(tài)即cell單元,具有重置、讀取、保存及更新LSTM單元長距離依賴關(guān)系的功能,以ct表示。通過變量ft,it,Ct~組合成公式(8),ct是通過遺忘門和輸入門來進(jìn)行控制的。遺忘門ft控制之前需遺忘多少,則輸入門cell控制當(dāng)前臨時(shí)cell有多少要存儲(chǔ)到這條主線上。

    ct=ftct-1itCt~(8)

    式中:表示矩陣點(diǎn)積運(yùn)算,表示矩陣點(diǎn)和運(yùn)算。

    輸出門:決定當(dāng)前時(shí)刻內(nèi)存細(xì)胞單元能否進(jìn)入當(dāng)前隱藏狀態(tài)ht,用ot表示,公式為

    ot=σWoxt+Uoht-1+bo(9)

    式中:Wo,Uo分別為當(dāng)前t時(shí)刻輸入數(shù)據(jù)xt和前一時(shí)刻t-1隱狀態(tài)ht-1相關(guān)權(quán)重系數(shù);bo為偏置項(xiàng)。最后當(dāng)前cell信息經(jīng)過一個(gè)非線性tanh函數(shù)得到[-1,1]的向量,將該向量與輸出門相乘,就得到了最終當(dāng)前t時(shí)刻的隱狀態(tài)輸出ht,公式為

    ht=ottanh(ct)(10)

    隱藏層cell結(jié)構(gòu)如圖6所示。

    神經(jīng)網(wǎng)絡(luò)LSTM模型訓(xùn)練流程包括:把時(shí)刻t的嵌入特征送至輸入層,通過sigmoid激活函數(shù)獲取輸出;再把時(shí)刻t-1細(xì)胞單元保存的數(shù)據(jù)、t-1時(shí)刻的隱藏層輸出和激活函數(shù)輸出輸入LSTM神經(jīng)元,經(jīng)過上述3個(gè)門控機(jī)制及細(xì)胞單元的計(jì)算,輸出結(jié)果到輸出層或下一個(gè)隱藏層,將LSTM神經(jīng)元結(jié)果傳遞到輸出層神經(jīng)元,接著通過輸入數(shù)據(jù)真實(shí)值與輸出層的預(yù)測(cè)值計(jì)算反向傳播誤差,以此來更新每一個(gè)權(quán)重參數(shù)。有了這種門控機(jī)制,模型不用記憶過去所有的信息,只用記住它認(rèn)為有用的信息,同時(shí)有用的信息可以直接傳遞到后續(xù)記憶單元,緩解了模型訓(xùn)練過程中的梯度消失與梯度爆炸問題。

    splice-LSTM與傳統(tǒng)LSTM模型相比,對(duì)輸入層不同時(shí)刻的歷史輸入數(shù)據(jù)進(jìn)行多次編碼,并對(duì)編碼結(jié)果進(jìn)行拼接作為下一全連接層的輸入。一方面提高了近期歷史輸入數(shù)據(jù)對(duì)計(jì)算下一時(shí)刻水位值的貢獻(xiàn)度;另一方面編碼多次進(jìn)行拼接,增加了模型LSTM層的權(quán)重參數(shù),使得模型能夠捕獲更多的特征,從而使得模型具有更好的學(xué)習(xí)能力和預(yù)測(cè)效果。

    1.4.2 模型的輸入與輸出

    splice-LSTM模型可接收多因素(多個(gè)上游支流流量及待預(yù)測(cè)站點(diǎn)的流量及水位)的輸入,輸出單因素的水位預(yù)測(cè)結(jié)果。本文以西江流域梧州站點(diǎn)水位預(yù)測(cè)為對(duì)象,以上游支流對(duì)應(yīng)站點(diǎn)長洲、京南、大藤峽、桂平等站點(diǎn)的流量和梧州站點(diǎn)水位歷史值為輸入,梧州站點(diǎn)未來第i個(gè)時(shí)刻水位的預(yù)測(cè)值為輸出。此外多因素輸入還包括長短期記憶網(wǎng)絡(luò)LSTM的神經(jīng)單元步長t和預(yù)測(cè)間隔i。本文采用西江流域京南、長洲、大藤峽、桂平站點(diǎn)的小時(shí)出庫流量以及梧州站點(diǎn)小時(shí)水位數(shù)據(jù)進(jìn)行預(yù)測(cè)?,F(xiàn)階段的模型暫時(shí)沒有考慮降雨影響因子,主要原因是未能有效采集降雨量數(shù)據(jù),下一步將研究如何獲取降雨量數(shù)據(jù)優(yōu)化模型。盡管沒有降雨的數(shù)據(jù),但在遇到降雨天氣時(shí)模型表現(xiàn)尚可,因?yàn)榘l(fā)生區(qū)間降雨時(shí),當(dāng)?shù)卣军c(diǎn)的實(shí)時(shí)流量會(huì)如實(shí)反映,對(duì)目標(biāo)站點(diǎn)的水位預(yù)測(cè)也會(huì)隨之產(chǎn)生變化。本文提出的splice-LSTM預(yù)測(cè)模型中使用單元步長大小為30,預(yù)測(cè)時(shí)間間隔為12 h,即用過去30 h的各站點(diǎn)流量、梧州站點(diǎn)水位值來預(yù)測(cè)未來第12個(gè)小時(shí)梧州站點(diǎn)的水位值。這兩個(gè)數(shù)值并非一成不變,而是可調(diào)整的超參數(shù)。一般情況下,預(yù)見期越短,預(yù)測(cè)精度越高,但不能一味追求過高的預(yù)測(cè)精度選擇最小的預(yù)見期,這樣的預(yù)測(cè)對(duì)于航運(yùn)的指導(dǎo)意義不大,但也不能把預(yù)見期一味調(diào)高,否則將會(huì)導(dǎo)致預(yù)測(cè)精度急劇下降,預(yù)測(cè)的指導(dǎo)意義也不大。此外,盡管梧州站點(diǎn)時(shí)間距離較遠(yuǎn)的京南站點(diǎn)有10 h,但對(duì)預(yù)測(cè)模型而言,只需要接收相同時(shí)刻的輸入數(shù)據(jù),時(shí)間的延遲和數(shù)據(jù)平滑可通過模型在訓(xùn)練過程中學(xué)習(xí),不需要人為干預(yù)。因此本文通過實(shí)驗(yàn)采用較合理的12 h預(yù)見期,同時(shí)根據(jù)西江開發(fā)投資集團(tuán)有限公司船閘管理部相關(guān)專家的建議,在枯水期12 h預(yù)見期能夠滿足一般的航運(yùn)需求。

    1.4.3 模型訓(xùn)練

    由于本文的預(yù)測(cè)模型是基于深度神經(jīng)網(wǎng)絡(luò)進(jìn)行構(gòu)建,故可運(yùn)用Keras、Pytorch和Tensorflow等主流的深度學(xué)習(xí)框架進(jìn)行構(gòu)建。本次實(shí)驗(yàn)使用Linux操作系統(tǒng)Ubuntu20.04,Python版本為3.6.5,keras 2.2.4 以及Tensorflow 1.4.1版本深度學(xué)習(xí)框架構(gòu)建和訓(xùn)練所提出的基于splice-LSTM多因素水位預(yù)測(cè)模型。開發(fā)者只需將定義好的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行組合,調(diào)用Keras框架提供的損失函數(shù)、激活函數(shù)及優(yōu)化器,輸入訓(xùn)練數(shù)據(jù),調(diào)用其訓(xùn)練接口完成訓(xùn)練。為了進(jìn)一步提升模型最終預(yù)測(cè)效果,模型的超參數(shù)設(shè)置也是至關(guān)重要的,比如LSTM隱藏層數(shù)、網(wǎng)絡(luò)神經(jīng)元大小、學(xué)習(xí)率learning rate、損失函數(shù)loss等參數(shù)設(shè)置。splice-LSTM模型的超參數(shù)設(shè)置如表3所列。

    模型的隱藏層是由30個(gè)單向單層且神經(jīng)元數(shù)量等于1的 LSTM網(wǎng)絡(luò)組成,以提高模型預(yù)測(cè)效果,降低預(yù)測(cè)誤差。

    2 結(jié)果分析

    2.1 預(yù)測(cè)值與實(shí)際值對(duì)比

    為了驗(yàn)證模型的預(yù)測(cè)效果,本文對(duì)2021年12月1日24 h水位進(jìn)行樣本預(yù)測(cè)(見表4),這里的預(yù)測(cè)間隔設(shè)置為12 h,即分別預(yù)測(cè)兩次12 h的水位值進(jìn)行匯總。從表4預(yù)測(cè)結(jié)果可知,預(yù)測(cè)值與實(shí)際值不管是絕對(duì)誤差,還是相對(duì)誤差,均比較小,平均相對(duì)誤差僅為2.06%,最大相對(duì)誤差為4.00%,最大絕對(duì)誤差僅為0.113 2 m,預(yù)測(cè)效果對(duì)西江船閘運(yùn)行調(diào)度中心精準(zhǔn)預(yù)調(diào)度船舶具有重要指導(dǎo)價(jià)值。目前,梧州站水位預(yù)測(cè)實(shí)際預(yù)報(bào)精度基本保持在90%左右,基本達(dá)到實(shí)用精度,個(gè)別時(shí)刻預(yù)測(cè)誤差超過10%,一般是由于站點(diǎn)根據(jù)發(fā)電計(jì)劃進(jìn)行發(fā)電放水導(dǎo)致的預(yù)測(cè)誤差較大。

    2.2 splice-LSTM與其他模型比較

    為了提高所提出模型性能說服力,實(shí)驗(yàn)將80%原始數(shù)據(jù)集作為訓(xùn)練集,20%作為測(cè)試集,對(duì)比單因素ARIMA 模型、傳統(tǒng)單因素LSTM模型、傳統(tǒng)多因素LSTM模型與多因素splice-LSTM模型實(shí)驗(yàn)結(jié)果。單因素模型是只考慮因變量數(shù)據(jù)的時(shí)間序列預(yù)測(cè)模型,是根據(jù)歷史一段時(shí)間內(nèi)的因變量數(shù)據(jù)預(yù)測(cè)未來n個(gè)時(shí)刻的趨勢(shì),無須考慮其他相關(guān)影響因子,盡管在較長預(yù)見期下預(yù)測(cè)效果不理想,但仍然可以作為時(shí)間序列預(yù)測(cè)問題的基線,具有典型的參考意義。對(duì)比模型在測(cè)試集上的表現(xiàn)如表5所列,其中預(yù)測(cè)間隔為12 h。從表5可知,多因素splice-LSTM 模型分別比ARIMA、傳統(tǒng)單因素LSTM、多因素LSTM模型的NSE提升0.147,0.113和0.050。在評(píng)價(jià)指標(biāo)R2中,splice-LSTM 分別比ARIMA、傳統(tǒng)單因素LSTM、多因素LSTM模型提升0.144,0.1010和0.049。在評(píng)價(jià)指標(biāo)RMSE中,splice-LSTM 模型分別比ARIMA、傳統(tǒng)單因素LSTM、多因素LSTM降低了41.3%,24.5%,14.3%。

    實(shí)驗(yàn)結(jié)果表明,多因素splice-LSTM 水位預(yù)測(cè)模型的記憶遺忘能力能夠較好預(yù)測(cè)非線性時(shí)間序列數(shù)據(jù),對(duì)西江干線水位的預(yù)測(cè)效果較好。每個(gè)模型在測(cè)試集數(shù)據(jù)的擬合情況如圖7所示。

    2.3 splice-LSTM模型在不同預(yù)測(cè)間隔測(cè)試集上的表現(xiàn)

    理論上預(yù)測(cè)間隔越小,預(yù)測(cè)水位值就越精準(zhǔn),但不能為了追求高精準(zhǔn)率選擇最小預(yù)測(cè)間隔,而忽略實(shí)際指導(dǎo)意義。為了確定所提出模型的較優(yōu)預(yù)測(cè)間隔,本文對(duì)多個(gè)不同預(yù)測(cè)間隔在測(cè)試集上進(jìn)行驗(yàn)證,測(cè)試結(jié)果如表6所列。

    從表6可知,盡管預(yù)測(cè)間隔為6 h的表現(xiàn)最優(yōu),但預(yù)測(cè)間隔為12 h的精度與6 h的差異不大,考慮到水位預(yù)測(cè)的實(shí)際指導(dǎo)價(jià)值,在效果下降不明顯的情況下,越長預(yù)測(cè)間隔,越具備競爭力和指導(dǎo)價(jià)值,因此,最終選擇較優(yōu)預(yù)測(cè)間隔為12 h。

    3 結(jié) 論

    本文在傳統(tǒng)的單因素水位預(yù)測(cè)模型的基礎(chǔ)上,提出了一種基于splice-LSTM的多因素水位預(yù)測(cè)模型,并將其運(yùn)用在西江干線梧州站的水位預(yù)測(cè)中,通過對(duì)比其他模型的水位預(yù)測(cè)效果,驗(yàn)證了基于splice-LSTM的模型具有更高的預(yù)測(cè)精度。

    (1) 傳統(tǒng)的單因素預(yù)測(cè)模型,如ARIMA模型和傳統(tǒng)LSTM只考慮歷史水位的因素,僅僅能夠預(yù)測(cè)水位值的一般趨勢(shì)。splice-LSTM模型則考慮了影響水位的因素,例如上游支流的流量和歷史的水位,在細(xì)微處的預(yù)測(cè)效果明顯比上述的單因素模型好,且模型的泛化能力更強(qiáng)。

    (2) 相對(duì)于傳統(tǒng)多因素LSTM模型,splice-LSTM模型通過堆疊多個(gè)LSTM模型,增加近期歷史輸入數(shù)據(jù)的權(quán)重,使得模型預(yù)測(cè)更加接近歷史真實(shí)值,降低了預(yù)測(cè)誤差。準(zhǔn)確預(yù)測(cè)西江河流水位水量,對(duì)西江船閘運(yùn)行調(diào)度中心精準(zhǔn)預(yù)調(diào)度船舶具有重要意義。

    參考文獻(xiàn):

    [1] 武連洲,白濤,哈燕萍,等.水文序列變異對(duì)水庫調(diào)度運(yùn)行的影響研究[J].水資源與水工程學(xué)報(bào),2016,27(4):88-92.

    [2] 劉曉陽,姚華明,張海榮,等.基于機(jī)器學(xué)習(xí)的三峽水庫小時(shí)尺度壩前水位預(yù)測(cè)[J].人民長江,2023,54(2):147-151.

    [3] 次必聰,張品一.基于ARIMA-LSTM模型的金融時(shí)間序列預(yù)測(cè)[J].統(tǒng)計(jì)與決策,2022,38(11):145-149.

    [4] SABZI H Z,KING J P,ABUDU S.Developing an intelligent expert system for streamflow prediction,integrated in a dynamic decision support system for managing multiple reservoirs:a case study[J].Expert Systems with Applications,2017,83:145-163.

    [5] 余珍.基于時(shí)間序列分析的航道水位預(yù)測(cè)研宄[J].中國水運(yùn)(月),2018,18(10):148-150.

    [6] DEO R C,KISI O,SINGH V P.Drought forecasting in eastern Australia using multivariate adaptive regression spline,least square support vector machine and M5Tree model[J].Atmospheric Research,2017,184:149-175.

    [7] 許國艷,朱進(jìn),司存友,等.基于CNN和MC的水文時(shí)間序列預(yù)測(cè)組合模型[J].計(jì)算機(jī)與現(xiàn)代化,2019(11):23-28,33.

    [8] 劉青松,嚴(yán)華,盧文龍.基于AR-RNN的多變量水位預(yù)測(cè)模型研究[J].人民長江,2020,51(10):94-99.

    [9] 徐楊,劉亞新,汪濤,等.基于LSTM的三峽水庫短期上游水位預(yù)測(cè)方法研究[J].水利水電快報(bào),2022,43(10):13-18.

    [10] 馮銳.基于LSTM模型的九龍江流域徑流序列預(yù)測(cè)研究[D].西安:長安大學(xué),2019.

    [11] KULISZ M,KUJAWSKA J,PRZYSUCHA B,et al.Forecasting water quality index in groundwater using Artificial Neural Network[J].Energies,2021,14(18):1-16.

    [12] 劉興坡,陳翔,胡小婷,等.基于正交極差分析的青龍河流域 HSPF模型參數(shù)尋優(yōu)模式[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2018,50(2):131-138.

    [13] 張冬梅,李金平,李江,等.基于門控權(quán)重單元的多變量時(shí)間序列預(yù)測(cè)[J].湖南大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,48(10):105-112.

    [14] 李冠城,侯敏馳,李梓君,等.珠江流域“十三五”水污染防治成效與經(jīng)驗(yàn)[J].環(huán)境保護(hù),2021,49(19):9-13.

    [15] 國家市場監(jiān)督管理總局,中國國家標(biāo)準(zhǔn)化管理委員會(huì).內(nèi)河過閘運(yùn)輸船舶標(biāo)準(zhǔn)船型主尺度系列第3部分:西江航運(yùn)干線GB 38030.3-2019[S].北京:中國標(biāo)準(zhǔn)出版社,2019.

    [16] 王萍,程冰,孫金領(lǐng).基于ARIMA的新城疫風(fēng)險(xiǎn)預(yù)測(cè)模型[J].青島農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,33(1):68-71.

    (編輯:謝玲嫻)

    Research on Xijiang River water level prediction model of multi-factor based on splice-LSTM

    LYU Haifeng1,2,JI Xiaoyu1,2,DING Yong3

    (1.Guangxi Key Laboratory of Machine Vision and Intelligent Control,Wuzhou University,Wuzhou 543002,China; 2.Guangxi Colleges and Universities Key Laboratory of Industry Software Technology,Wuzhou University,Wuzhou 543002,China; 3.School of Computer Science and Information Security,Guilin University of Electronic Technology,Guilin 541004 China)

    Abstract:

    Accurate hydrologic time series prediction of water level and water volume is an important basis for water resources management and plays an important role in water transfer detection.Affected by factors such as the flow and water level of upstream tributaries,traditional single-factor water level prediction models cannot effectively consider these factors and water level prediction of Xijiang River faces severe challenges.Taking the typical Wuzhou Station on Xijiang River mainstream as the research object,a multi-factor water level prediction model based on splice-LSTM is established.The spliced Long Short-term Memory network(LSTM) and the fully connected linear model(Linear) were used to analyze and predict the flow and water level of the Xijiang River mainstream like Wuzhou station and other stations from 2020 to 2021.Research results show that:①The splice-LSTM can link to a non-linear layer and thus increase the weight of recent historical input data,making the model prediction closer to the historical value and reducing the prediction error.The linear part can improve the sensitivity of the model to linear components and the model to linear components,making the model′s prediction at the water level peak more accurate.②Compared with the traditional single factor ARIMA model and LSTM model,the accuracy of the split-LSTM model in water level prediction has increased by 14.4% and 10.1% respectively.The research results can provide a scientific reference for the precise pre-scheduling of ships by the Xijiang Shiplock Operation and Dispatching Center.

    Key words:

    water level prediction;shiplock dispatching;splice-LSTM model;Xijiang River basin

    猜你喜歡
    西江梧州站點(diǎn)
    中共梧州城工委
    西江月(2021年3期)2021-12-21 06:34:18
    基于Web站點(diǎn)的SQL注入分析與防范
    電子制作(2019年14期)2019-08-20 05:43:42
    2017~2018年冬季西北地區(qū)某站點(diǎn)流感流行特征分析
    梧州工人運(yùn)動(dòng)的急先鋒
    西江月(2018年5期)2018-06-08 05:47:32
    首屆歐洲自行車共享站點(diǎn)協(xié)商會(huì)召開
    中國自行車(2017年1期)2017-04-16 02:53:52
    八十多載后尋訪梧州
    文史春秋(2016年3期)2016-12-01 05:42:19
    夢(mèng)梧州(外兩首)
    西江月(2016年2期)2016-11-26 12:27:13
    怕被人認(rèn)出
    大美西江
    歌海(2016年3期)2016-08-25 09:07:21
    情滿西江 放飛夢(mèng)想——西江中心小學(xué)簡介
    av欧美777| 午夜日韩欧美国产| 国产精品久久电影中文字幕| 国产极品粉嫩免费观看在线| 国产黄色小视频在线观看| 在线观看一区二区三区| 亚洲全国av大片| 一边摸一边做爽爽视频免费| 一级毛片高清免费大全| 亚洲第一电影网av| 国产真实乱freesex| 亚洲av熟女| av视频在线观看入口| 淫秽高清视频在线观看| 欧美亚洲日本最大视频资源| 两性午夜刺激爽爽歪歪视频在线观看 | 久久热在线av| 麻豆国产av国片精品| cao死你这个sao货| 国产一区二区在线av高清观看| 久久亚洲精品不卡| 伊人久久大香线蕉亚洲五| 国产精品99久久99久久久不卡| 丁香六月欧美| 丰满人妻熟妇乱又伦精品不卡| 午夜免费激情av| 一个人免费在线观看的高清视频| 亚洲第一青青草原| 久久久国产欧美日韩av| 欧美三级亚洲精品| 99国产精品一区二区三区| 久久 成人 亚洲| 天堂影院成人在线观看| 亚洲成a人片在线一区二区| 欧美色视频一区免费| 男女视频在线观看网站免费 | 国产精品香港三级国产av潘金莲| 婷婷精品国产亚洲av在线| 老熟妇乱子伦视频在线观看| 色婷婷久久久亚洲欧美| 国产精品乱码一区二三区的特点| 久久国产亚洲av麻豆专区| 国产久久久一区二区三区| 成熟少妇高潮喷水视频| 在线观看免费午夜福利视频| 亚洲精华国产精华精| 啪啪无遮挡十八禁网站| 欧美激情高清一区二区三区| 淫秽高清视频在线观看| 亚洲中文av在线| 看黄色毛片网站| 日韩有码中文字幕| 俄罗斯特黄特色一大片| 国产精品av久久久久免费| 听说在线观看完整版免费高清| 免费高清在线观看日韩| 日韩欧美一区二区三区在线观看| 亚洲精品久久成人aⅴ小说| 91成人精品电影| 亚洲国产精品999在线| 91成人精品电影| 亚洲第一av免费看| 最好的美女福利视频网| 亚洲美女黄片视频| 国产三级在线视频| 此物有八面人人有两片| 国产av在哪里看| 国产三级在线视频| 男人舔女人下体高潮全视频| 丁香欧美五月| 日本 av在线| 亚洲成人国产一区在线观看| 成人国产综合亚洲| 午夜激情av网站| av免费在线观看网站| 国产精品久久久久久人妻精品电影| 亚洲男人的天堂狠狠| 亚洲av五月六月丁香网| 欧美人与性动交α欧美精品济南到| 亚洲成人免费电影在线观看| 久热爱精品视频在线9| 亚洲 欧美 日韩 在线 免费| 波多野结衣高清无吗| 国产一区在线观看成人免费| 国产欧美日韩精品亚洲av| 午夜福利一区二区在线看| 国产主播在线观看一区二区| 长腿黑丝高跟| 久久中文字幕一级| 俄罗斯特黄特色一大片| 亚洲欧美一区二区三区黑人| 欧美激情高清一区二区三区| 高清毛片免费观看视频网站| 一区二区三区精品91| 国产国语露脸激情在线看| 老司机福利观看| 国内精品久久久久精免费| 久久国产亚洲av麻豆专区| 欧美乱色亚洲激情| 亚洲专区国产一区二区| 一区二区三区高清视频在线| 此物有八面人人有两片| 久久精品国产亚洲av香蕉五月| 久久中文看片网| 精品免费久久久久久久清纯| 中亚洲国语对白在线视频| 午夜福利视频1000在线观看| 久久久国产成人免费| 亚洲色图 男人天堂 中文字幕| 热re99久久国产66热| 国产成+人综合+亚洲专区| 亚洲精品中文字幕在线视频| 久久99热这里只有精品18| 国产高清有码在线观看视频 | 国产欧美日韩精品亚洲av| 亚洲黑人精品在线| 欧美乱妇无乱码| e午夜精品久久久久久久| 免费观看精品视频网站| 一本综合久久免费| 一区二区三区激情视频| 一级a爱片免费观看的视频| 成人免费观看视频高清| 免费在线观看黄色视频的| 欧美另类亚洲清纯唯美| 午夜久久久在线观看| 国产亚洲精品综合一区在线观看 | 亚洲va日本ⅴa欧美va伊人久久| 久久久久国产精品人妻aⅴ院| 99久久久亚洲精品蜜臀av| 午夜免费成人在线视频| 精品乱码久久久久久99久播| 国产精品二区激情视频| 一区二区日韩欧美中文字幕| 男女床上黄色一级片免费看| 国内毛片毛片毛片毛片毛片| 18美女黄网站色大片免费观看| 国产麻豆成人av免费视频| 精品欧美国产一区二区三| 1024手机看黄色片| 国产成人影院久久av| 老汉色av国产亚洲站长工具| 神马国产精品三级电影在线观看 | 大型黄色视频在线免费观看| 亚洲国产毛片av蜜桃av| 十八禁网站免费在线| 日韩av在线大香蕉| 国产成人av教育| 国产人伦9x9x在线观看| 欧美乱码精品一区二区三区| 欧美日韩精品网址| 亚洲av成人不卡在线观看播放网| 亚洲男人天堂网一区| 亚洲国产精品成人综合色| 亚洲avbb在线观看| 脱女人内裤的视频| 人人澡人人妻人| 精品久久久久久久人妻蜜臀av| 精品卡一卡二卡四卡免费| 熟女电影av网| 美女大奶头视频| 国产黄a三级三级三级人| 在线观看午夜福利视频| 国产v大片淫在线免费观看| 午夜福利成人在线免费观看| 最近最新中文字幕大全电影3 | 女人爽到高潮嗷嗷叫在线视频| 亚洲 欧美 日韩 在线 免费| 啦啦啦免费观看视频1| 欧美日韩中文字幕国产精品一区二区三区| 老鸭窝网址在线观看| 亚洲成a人片在线一区二区| 日韩大尺度精品在线看网址| av免费在线观看网站| 亚洲美女黄片视频| 变态另类丝袜制服| 91国产中文字幕| 高清在线国产一区| 一级毛片精品| netflix在线观看网站| 制服丝袜大香蕉在线| 搡老妇女老女人老熟妇| 91成年电影在线观看| 这个男人来自地球电影免费观看| 成人亚洲精品av一区二区| 亚洲中文日韩欧美视频| 999久久久精品免费观看国产| 国产主播在线观看一区二区| 国产伦人伦偷精品视频| 久久久精品国产亚洲av高清涩受| 国产精品一区二区免费欧美| 久久国产精品影院| 美女免费视频网站| 性色av乱码一区二区三区2| 老司机午夜十八禁免费视频| 一边摸一边做爽爽视频免费| av在线天堂中文字幕| 三级毛片av免费| 50天的宝宝边吃奶边哭怎么回事| 老司机午夜福利在线观看视频| x7x7x7水蜜桃| 丁香六月欧美| 波多野结衣高清无吗| 香蕉丝袜av| 亚洲人成伊人成综合网2020| 又黄又粗又硬又大视频| 久久人人精品亚洲av| 精品国产乱码久久久久久男人| 99久久精品国产亚洲精品| 色综合婷婷激情| 在线视频色国产色| 欧美成人性av电影在线观看| 国产高清videossex| 精品国产超薄肉色丝袜足j| 老汉色av国产亚洲站长工具| 免费在线观看亚洲国产| 女人爽到高潮嗷嗷叫在线视频| 国产成人系列免费观看| 一区福利在线观看| 黄色视频,在线免费观看| 欧美色欧美亚洲另类二区| 欧美绝顶高潮抽搐喷水| 欧美在线黄色| 日韩av在线大香蕉| 国产精品一区二区免费欧美| 日本免费一区二区三区高清不卡| 亚洲精品国产精品久久久不卡| 操出白浆在线播放| 一区二区三区国产精品乱码| 黄色 视频免费看| 中文字幕人妻丝袜一区二区| 免费在线观看黄色视频的| 国产免费男女视频| 中文字幕人成人乱码亚洲影| 男女视频在线观看网站免费 | 1024视频免费在线观看| 国产成人av教育| 麻豆一二三区av精品| 一进一出抽搐gif免费好疼| 啦啦啦 在线观看视频| 欧美成狂野欧美在线观看| 50天的宝宝边吃奶边哭怎么回事| 亚洲一区二区三区色噜噜| 精品国产乱码久久久久久男人| 久久伊人香网站| 变态另类成人亚洲欧美熟女| 亚洲国产高清在线一区二区三 | ponron亚洲| 91成年电影在线观看| 很黄的视频免费| 搡老熟女国产l中国老女人| 欧美日本亚洲视频在线播放| АⅤ资源中文在线天堂| 日本 欧美在线| 久久久国产成人精品二区| 国产伦一二天堂av在线观看| 日本五十路高清| 香蕉丝袜av| 成人三级做爰电影| 精品不卡国产一区二区三区| or卡值多少钱| 一级毛片女人18水好多| 亚洲男人天堂网一区| 在线看三级毛片| 欧美激情久久久久久爽电影| 岛国在线观看网站| 啦啦啦观看免费观看视频高清| 国产精品国产高清国产av| 久久精品夜夜夜夜夜久久蜜豆 | 看片在线看免费视频| www.自偷自拍.com| 久久久久久久精品吃奶| 我的亚洲天堂| 国产精品综合久久久久久久免费| 久久久久久大精品| 桃色一区二区三区在线观看| 老司机深夜福利视频在线观看| 欧美日本亚洲视频在线播放| av视频在线观看入口| 桃色一区二区三区在线观看| 亚洲午夜理论影院| 麻豆久久精品国产亚洲av| 国产黄a三级三级三级人| 操出白浆在线播放| 欧美乱色亚洲激情| 日韩欧美一区视频在线观看| 国产熟女午夜一区二区三区| 免费在线观看日本一区| 亚洲欧美日韩无卡精品| 可以在线观看的亚洲视频| 亚洲欧美精品综合一区二区三区| 欧美成人性av电影在线观看| 亚洲va日本ⅴa欧美va伊人久久| 露出奶头的视频| 欧美大码av| 欧美黑人精品巨大| 成人三级做爰电影| 中文字幕人成人乱码亚洲影| 亚洲欧美精品综合久久99| 欧美亚洲日本最大视频资源| 国产精华一区二区三区| 日韩欧美在线二视频| 黄色 视频免费看| 国产亚洲欧美在线一区二区| 真人一进一出gif抽搐免费| 精品第一国产精品| 精品国产亚洲在线| 黄色视频不卡| e午夜精品久久久久久久| 精品国内亚洲2022精品成人| 国产男靠女视频免费网站| 久久久久久久午夜电影| 国产区一区二久久| 日韩国内少妇激情av| 国产一卡二卡三卡精品| 中文字幕人妻熟女乱码| 9191精品国产免费久久| 国产又色又爽无遮挡免费看| 久久久国产成人精品二区| 波多野结衣高清无吗| 中文字幕人妻熟女乱码| 国产爱豆传媒在线观看 | 老司机福利观看| 午夜福利18| 女警被强在线播放| 午夜福利高清视频| 在线观看日韩欧美| 少妇粗大呻吟视频| 国产极品粉嫩免费观看在线| 国产一级毛片七仙女欲春2 | 国产三级在线视频| 成人国语在线视频| 国产又爽黄色视频| 亚洲avbb在线观看| 国产av一区二区精品久久| 91麻豆av在线| 国产一区在线观看成人免费| 欧美另类亚洲清纯唯美| 草草在线视频免费看| 欧美日韩亚洲国产一区二区在线观看| 久久国产精品男人的天堂亚洲| 首页视频小说图片口味搜索| 亚洲自拍偷在线| 午夜激情福利司机影院| 此物有八面人人有两片| 夜夜夜夜夜久久久久| 欧美+亚洲+日韩+国产| 国产极品粉嫩免费观看在线| 日韩欧美国产一区二区入口| 两人在一起打扑克的视频| 亚洲 国产 在线| 欧美日韩福利视频一区二区| www.自偷自拍.com| 桃色一区二区三区在线观看| 国产午夜福利久久久久久| 国产亚洲精品久久久久5区| 在线播放国产精品三级| 国产精品99久久99久久久不卡| 国产不卡一卡二| 午夜福利视频1000在线观看| 免费一级毛片在线播放高清视频| 免费电影在线观看免费观看| 精品熟女少妇八av免费久了| 女性被躁到高潮视频| 色综合站精品国产| 国内精品久久久久久久电影| 亚洲第一欧美日韩一区二区三区| 熟女少妇亚洲综合色aaa.| 亚洲全国av大片| 欧美乱妇无乱码| 黄色成人免费大全| 日本a在线网址| 中文字幕久久专区| 一a级毛片在线观看| 99热6这里只有精品| 动漫黄色视频在线观看| 制服丝袜大香蕉在线| 日韩欧美国产在线观看| 人人妻人人澡欧美一区二区| 国产精华一区二区三区| 国产免费男女视频| 免费高清视频大片| 日韩欧美在线二视频| 精品人妻1区二区| 亚洲精品久久国产高清桃花| 国产精品免费视频内射| 两性夫妻黄色片| 老司机靠b影院| 最近在线观看免费完整版| 国产成人欧美| 很黄的视频免费| 午夜影院日韩av| 亚洲一区高清亚洲精品| 精华霜和精华液先用哪个| 亚洲av电影不卡..在线观看| 国产av一区二区精品久久| 日韩欧美国产在线观看| 老汉色av国产亚洲站长工具| 午夜日韩欧美国产| 91av网站免费观看| 亚洲一区中文字幕在线| 午夜福利在线观看吧| 中文亚洲av片在线观看爽| 久久久久九九精品影院| 999精品在线视频| 免费在线观看黄色视频的| 日韩精品青青久久久久久| 久久这里只有精品19| 久久久久亚洲av毛片大全| 美女 人体艺术 gogo| 神马国产精品三级电影在线观看 | xxx96com| 国产av不卡久久| 亚洲精品av麻豆狂野| 一个人免费在线观看的高清视频| 欧美 亚洲 国产 日韩一| а√天堂www在线а√下载| 亚洲自偷自拍图片 自拍| 免费高清视频大片| 九色国产91popny在线| АⅤ资源中文在线天堂| 欧美日本视频| 亚洲精品中文字幕一二三四区| 老司机在亚洲福利影院| 18禁裸乳无遮挡免费网站照片 | 亚洲激情在线av| 精品一区二区三区av网在线观看| 国产精品久久久久久精品电影 | 一区二区日韩欧美中文字幕| 日本一本二区三区精品| 欧美性猛交黑人性爽| 亚洲专区字幕在线| 一个人观看的视频www高清免费观看 | 男女做爰动态图高潮gif福利片| 级片在线观看| 久久精品影院6| 亚洲av成人一区二区三| 精品免费久久久久久久清纯| 女同久久另类99精品国产91| 国产欧美日韩一区二区精品| 日本五十路高清| 色av中文字幕| 国产成年人精品一区二区| 真人做人爱边吃奶动态| 亚洲精品中文字幕一二三四区| av免费在线观看网站| 成人手机av| 自线自在国产av| 免费看日本二区| avwww免费| 欧美久久黑人一区二区| 成人永久免费在线观看视频| 制服丝袜大香蕉在线| 国语自产精品视频在线第100页| 这个男人来自地球电影免费观看| 一进一出抽搐gif免费好疼| 日本撒尿小便嘘嘘汇集6| 亚洲美女黄片视频| 高清在线国产一区| 美女高潮到喷水免费观看| 欧美乱色亚洲激情| 这个男人来自地球电影免费观看| 日本免费一区二区三区高清不卡| 亚洲第一欧美日韩一区二区三区| 18禁国产床啪视频网站| 国产成人精品久久二区二区免费| 搡老妇女老女人老熟妇| 中文亚洲av片在线观看爽| 亚洲成人久久爱视频| 国产野战对白在线观看| 久久久久精品国产欧美久久久| 中文字幕人妻丝袜一区二区| 中文资源天堂在线| 麻豆av在线久日| 一区二区三区高清视频在线| 老司机午夜福利在线观看视频| 精品国产美女av久久久久小说| 成人一区二区视频在线观看| 精品免费久久久久久久清纯| 黄网站色视频无遮挡免费观看| 人人妻人人澡人人看| 亚洲国产精品sss在线观看| 黄色丝袜av网址大全| 欧美激情极品国产一区二区三区| 欧美国产精品va在线观看不卡| 1024视频免费在线观看| 久久精品人妻少妇| 精品午夜福利视频在线观看一区| 久久中文看片网| 色播在线永久视频| 中亚洲国语对白在线视频| 国产高清视频在线播放一区| 特大巨黑吊av在线直播 | 中文字幕av电影在线播放| 免费女性裸体啪啪无遮挡网站| 国产精品1区2区在线观看.| 一本一本综合久久| 欧美av亚洲av综合av国产av| 午夜久久久久精精品| 欧美性猛交黑人性爽| 欧美不卡视频在线免费观看 | 成人欧美大片| 欧美zozozo另类| 亚洲精品国产区一区二| 少妇的丰满在线观看| 免费av毛片视频| 一级毛片精品| 日韩av在线大香蕉| 老熟妇仑乱视频hdxx| 久久久国产成人精品二区| 免费电影在线观看免费观看| 韩国av一区二区三区四区| 视频在线观看一区二区三区| 男人舔奶头视频| 午夜成年电影在线免费观看| 变态另类丝袜制服| 欧美激情久久久久久爽电影| 午夜精品久久久久久毛片777| 亚洲成人精品中文字幕电影| xxx96com| 午夜亚洲福利在线播放| 亚洲中文字幕日韩| 欧美色欧美亚洲另类二区| 丰满的人妻完整版| netflix在线观看网站| 免费看十八禁软件| 国产男靠女视频免费网站| 级片在线观看| 俄罗斯特黄特色一大片| 一区二区三区激情视频| 久久精品国产99精品国产亚洲性色| 他把我摸到了高潮在线观看| 亚洲午夜理论影院| 十八禁人妻一区二区| 国产精品久久久久久亚洲av鲁大| 国产av一区在线观看免费| 国产一区二区激情短视频| 欧美不卡视频在线免费观看 | 热re99久久国产66热| 亚洲五月天丁香| 999久久久国产精品视频| www.精华液| 啦啦啦免费观看视频1| 国内精品久久久久精免费| а√天堂www在线а√下载| 麻豆久久精品国产亚洲av| 特大巨黑吊av在线直播 | 亚洲va日本ⅴa欧美va伊人久久| 国产色视频综合| 丁香欧美五月| 啦啦啦韩国在线观看视频| 久久精品国产亚洲av高清一级| 一边摸一边做爽爽视频免费| 制服诱惑二区| 午夜福利高清视频| 国产精品久久久久久亚洲av鲁大| 亚洲成人久久爱视频| 欧美+亚洲+日韩+国产| 18禁黄网站禁片午夜丰满| 日韩精品青青久久久久久| 99久久精品国产亚洲精品| 无遮挡黄片免费观看| 狂野欧美激情性xxxx| av在线播放免费不卡| 色尼玛亚洲综合影院| 国产私拍福利视频在线观看| xxx96com| 啦啦啦 在线观看视频| 一区二区三区国产精品乱码| 黄色视频,在线免费观看| 香蕉久久夜色| 69av精品久久久久久| 日本熟妇午夜| a级毛片在线看网站| 亚洲三区欧美一区| 国产熟女午夜一区二区三区| 男人舔女人的私密视频| 日本撒尿小便嘘嘘汇集6| 美女大奶头视频| 亚洲av电影不卡..在线观看| 久久99热这里只有精品18| 成人18禁高潮啪啪吃奶动态图| 免费高清视频大片| 精品国产国语对白av| av视频在线观看入口| 婷婷亚洲欧美| 亚洲一码二码三码区别大吗| 美女国产高潮福利片在线看| 亚洲精华国产精华精| 欧美日韩黄片免| xxxwww97欧美| 亚洲激情在线av| 久久久久久久久中文| 啪啪无遮挡十八禁网站| 免费在线观看影片大全网站| 久久久久久亚洲精品国产蜜桃av| 日韩欧美一区二区三区在线观看| 黄色丝袜av网址大全| 亚洲精品粉嫩美女一区| 色综合婷婷激情| 国产精品 国内视频| 亚洲一区二区三区色噜噜| 操出白浆在线播放| 无遮挡黄片免费观看| 狂野欧美激情性xxxx| 少妇被粗大的猛进出69影院| 怎么达到女性高潮| 性色av乱码一区二区三区2| 亚洲三区欧美一区| 亚洲欧美激情综合另类| 他把我摸到了高潮在线观看| 国产激情偷乱视频一区二区| 亚洲一码二码三码区别大吗| 12—13女人毛片做爰片一| 亚洲欧美精品综合久久99|