• <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
    真实男女啪啪啪动态图| 国产极品天堂在线| 简卡轻食公司| 男女国产视频网站| 色吧在线观看| 免费观看a级毛片全部| av福利片在线观看| 国产午夜精品一二区理论片| 中文字幕免费在线视频6| 少妇人妻精品综合一区二区| 1024手机看黄色片| 精品免费久久久久久久清纯| 99在线人妻在线中文字幕| 午夜a级毛片| 亚洲国产精品sss在线观看| av在线蜜桃| 久久久久久久久久成人| 日韩视频在线欧美| 99久国产av精品| 欧美xxxx性猛交bbbb| 亚洲精品影视一区二区三区av| 国产精品日韩av在线免费观看| 亚洲国产精品专区欧美| 欧美一区二区精品小视频在线| 国产精品99久久久久久久久| 波多野结衣巨乳人妻| 亚洲在线自拍视频| 久久久久久久国产电影| 美女高潮的动态| 青春草国产在线视频| 女人十人毛片免费观看3o分钟| 一边亲一边摸免费视频| 在线免费观看的www视频| 日本午夜av视频| 亚洲av日韩在线播放| 亚洲人成网站在线播| 午夜精品在线福利| 视频中文字幕在线观看| 狂野欧美激情性xxxx在线观看| av又黄又爽大尺度在线免费看 | 美女脱内裤让男人舔精品视频| 精品酒店卫生间| 国产精品.久久久| 中文字幕av在线有码专区| 国产午夜精品论理片| 亚洲怡红院男人天堂| 综合色丁香网| 丰满人妻一区二区三区视频av| 精华霜和精华液先用哪个| 三级国产精品欧美在线观看| 身体一侧抽搐| 夫妻性生交免费视频一级片| 亚洲,欧美,日韩| 成人高潮视频无遮挡免费网站| 成人综合一区亚洲| 国产一级毛片在线| 美女高潮的动态| 99热6这里只有精品| 国产麻豆成人av免费视频| 热99re8久久精品国产| 狠狠狠狠99中文字幕| 国产国拍精品亚洲av在线观看| 少妇被粗大猛烈的视频| 亚洲av成人精品一二三区| 亚洲一级一片aⅴ在线观看| 久久久久久久久久黄片| 亚洲自偷自拍三级| 久久久久久久午夜电影| 国产一区二区在线av高清观看| 国产黄a三级三级三级人| or卡值多少钱| 精品免费久久久久久久清纯| 国产成人a∨麻豆精品| av卡一久久| 在线免费十八禁| 麻豆精品久久久久久蜜桃| 亚洲av不卡在线观看| 男女那种视频在线观看| 看黄色毛片网站| 国产精品乱码一区二三区的特点| 看十八女毛片水多多多| 老司机影院毛片| 小说图片视频综合网站| av.在线天堂| 亚洲中文字幕一区二区三区有码在线看| 日本黄色视频三级网站网址| 国产女主播在线喷水免费视频网站 | eeuss影院久久| 久久精品国产自在天天线| 菩萨蛮人人尽说江南好唐韦庄 | 岛国在线免费视频观看| videossex国产| 国内精品宾馆在线| 午夜爱爱视频在线播放| 国产淫片久久久久久久久| 少妇人妻精品综合一区二区| 蜜桃亚洲精品一区二区三区| 成人亚洲精品av一区二区| 久久人妻av系列| 麻豆一二三区av精品| 成人欧美大片| 日韩国内少妇激情av| 内射极品少妇av片p| 国产一级毛片七仙女欲春2| 国内少妇人妻偷人精品xxx网站| 国产 一区精品| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 亚洲综合精品二区| 亚洲欧美清纯卡通| 国产中年淑女户外野战色| 亚洲精品456在线播放app| 精品久久久久久久久久久久久| av黄色大香蕉| 天堂网av新在线| 中国美白少妇内射xxxbb| 日日摸夜夜添夜夜添av毛片| 两性午夜刺激爽爽歪歪视频在线观看| 久久精品国产亚洲av涩爱| 大香蕉久久网| av在线蜜桃| 成人三级黄色视频| 国产精品一及| 亚洲成人精品中文字幕电影| 色噜噜av男人的天堂激情| 亚洲成人中文字幕在线播放| 在线观看一区二区三区| 最新中文字幕久久久久| 亚洲第一区二区三区不卡| 国产爱豆传媒在线观看| 亚洲精品aⅴ在线观看| 美女脱内裤让男人舔精品视频| 麻豆久久精品国产亚洲av| 亚洲精品乱码久久久久久按摩| 国产精品国产三级专区第一集| 中文字幕av成人在线电影| 自拍偷自拍亚洲精品老妇| 成人国产麻豆网| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 91av网一区二区| 日本色播在线视频| 五月伊人婷婷丁香| 久久婷婷人人爽人人干人人爱| 国产不卡一卡二| 国产精品一及| 国产精品三级大全| 一夜夜www| 日韩av在线大香蕉| 一二三四中文在线观看免费高清| 欧美zozozo另类| 欧美一区二区亚洲| 少妇猛男粗大的猛烈进出视频 | 欧美人与善性xxx| 国产精品1区2区在线观看.| 欧美最新免费一区二区三区| .国产精品久久| 国产免费一级a男人的天堂| 日日啪夜夜撸| 免费看a级黄色片| 久久精品国产自在天天线| 成人国产麻豆网| av又黄又爽大尺度在线免费看 | 人妻少妇偷人精品九色| 人妻系列 视频| 干丝袜人妻中文字幕| 99久久成人亚洲精品观看| 老女人水多毛片| 18+在线观看网站| 三级经典国产精品| 亚洲成人av在线免费| 久久精品91蜜桃| 久久欧美精品欧美久久欧美| 蜜臀久久99精品久久宅男| 黄片无遮挡物在线观看| 26uuu在线亚洲综合色| 日日撸夜夜添| 最近视频中文字幕2019在线8| 免费观看人在逋| 国产精品久久视频播放| 欧美成人a在线观看| 99久久精品国产国产毛片| 精品人妻熟女av久视频| 女人被狂操c到高潮| 国产淫语在线视频| 欧美高清成人免费视频www| 国产高清不卡午夜福利| 黄色日韩在线| 国产成人精品久久久久久| 婷婷色综合大香蕉| 国产男人的电影天堂91| 嫩草影院精品99| 成人午夜高清在线视频| 在线免费十八禁| 精品久久久久久成人av| 赤兔流量卡办理| 成年女人看的毛片在线观看| 日本色播在线视频| 婷婷六月久久综合丁香| 搡女人真爽免费视频火全软件| 有码 亚洲区| 国产高清国产精品国产三级 | 日韩三级伦理在线观看| 国产视频首页在线观看| 亚洲欧美清纯卡通| 麻豆乱淫一区二区| 亚洲国产精品久久男人天堂| 人人妻人人看人人澡| 国语自产精品视频在线第100页| 麻豆久久精品国产亚洲av| 精品不卡国产一区二区三区| 只有这里有精品99| 亚洲精品乱久久久久久| 国产免费视频播放在线视频 | 久久久色成人| 中文字幕亚洲精品专区| 国产激情偷乱视频一区二区| 大香蕉久久网| 国产午夜福利久久久久久| 亚洲伊人久久精品综合 | 非洲黑人性xxxx精品又粗又长| 最近最新中文字幕大全电影3| 国产精品国产高清国产av| 少妇被粗大猛烈的视频| 欧美性感艳星| 好男人视频免费观看在线| 久久久久性生活片| 成人三级黄色视频| 亚洲欧美成人综合另类久久久 | 色尼玛亚洲综合影院| 国产又色又爽无遮挡免| 在线天堂最新版资源| 26uuu在线亚洲综合色| 亚洲精品国产成人久久av| 久久久色成人| 国产精品伦人一区二区| 天堂av国产一区二区熟女人妻| 日本-黄色视频高清免费观看| 男女下面进入的视频免费午夜| 青青草视频在线视频观看| 国产精品熟女久久久久浪| 中文字幕免费在线视频6| 亚洲,欧美,日韩| 欧美又色又爽又黄视频| 精品午夜福利在线看| 91久久精品国产一区二区成人| 国产69精品久久久久777片| 精品久久久久久久人妻蜜臀av| 中文亚洲av片在线观看爽| 在线观看一区二区三区| 日本免费a在线| 国产精品一区www在线观看| 天堂影院成人在线观看| www.av在线官网国产| 日韩欧美精品v在线| 乱人视频在线观看| 三级国产精品片| 中文资源天堂在线| 国产三级中文精品| 欧美精品国产亚洲| 插阴视频在线观看视频| 直男gayav资源| 三级男女做爰猛烈吃奶摸视频| 在线观看一区二区三区| 亚洲欧美日韩卡通动漫| 成人鲁丝片一二三区免费| 国产精品野战在线观看| 精品一区二区三区人妻视频| 日韩欧美三级三区| 性插视频无遮挡在线免费观看| 亚洲av不卡在线观看| 搞女人的毛片| 亚洲自拍偷在线| 亚洲精品色激情综合| 一边摸一边抽搐一进一小说| 99久久人妻综合| 伊人久久精品亚洲午夜| 村上凉子中文字幕在线| 激情 狠狠 欧美| 非洲黑人性xxxx精品又粗又长| 99热这里只有是精品50| h日本视频在线播放| 黄片wwwwww| 午夜亚洲福利在线播放| 日本av手机在线免费观看| 成人二区视频| 亚洲,欧美,日韩| 久久久午夜欧美精品| 亚洲最大成人av| 青春草国产在线视频| 级片在线观看| 波野结衣二区三区在线| 久久精品国产自在天天线| 免费大片18禁| 麻豆精品久久久久久蜜桃| 小蜜桃在线观看免费完整版高清| ponron亚洲| av免费在线看不卡| 性插视频无遮挡在线免费观看| 成年av动漫网址| 国产精品一区二区三区四区免费观看| 精品久久久久久久久亚洲| 一个人免费在线观看电影| 一级黄片播放器| 国产成人freesex在线| 亚洲真实伦在线观看| 国产高清有码在线观看视频| 免费看日本二区| 精品国产露脸久久av麻豆 | 两性午夜刺激爽爽歪歪视频在线观看| 午夜a级毛片| 一区二区三区乱码不卡18| 久久久精品大字幕| 日韩一本色道免费dvd| 一级二级三级毛片免费看| 欧美丝袜亚洲另类| 国内精品一区二区在线观看| 亚洲美女视频黄频| 亚洲欧美清纯卡通| 夜夜爽夜夜爽视频| 神马国产精品三级电影在线观看| 91在线精品国自产拍蜜月| 天堂影院成人在线观看| 日本免费一区二区三区高清不卡| 国产精品精品国产色婷婷| 国产精品伦人一区二区| 成人亚洲欧美一区二区av| 又粗又硬又长又爽又黄的视频| 午夜激情福利司机影院| 国产精品乱码一区二三区的特点| 亚洲欧洲国产日韩| 18禁在线无遮挡免费观看视频| 国产综合懂色| 在线观看av片永久免费下载| 一个人免费在线观看电影| 亚洲国产精品国产精品| 天堂中文最新版在线下载 | 亚洲图色成人| 亚洲中文字幕一区二区三区有码在线看| 听说在线观看完整版免费高清| 国产av一区在线观看免费| 中文字幕av成人在线电影| 精品免费久久久久久久清纯| 国产久久久一区二区三区| 亚洲经典国产精华液单| 97超视频在线观看视频| 午夜精品在线福利| 国产伦精品一区二区三区四那| 人人妻人人澡人人爽人人夜夜 | 国产精品一区二区性色av| 欧美色视频一区免费| 综合色丁香网| 亚洲最大成人手机在线| 欧美xxxx性猛交bbbb| 国产av一区在线观看免费| 亚洲国产高清在线一区二区三| 国产不卡一卡二| 久久久久久久久大av| 久久久久久伊人网av| 精品人妻视频免费看| 免费观看在线日韩| 免费av毛片视频| av又黄又爽大尺度在线免费看 | 国产免费男女视频| 国产精品一区二区三区四区免费观看| 国产伦理片在线播放av一区| 熟女电影av网| 婷婷色综合大香蕉| 国产男人的电影天堂91| 国产黄片视频在线免费观看| 国产淫片久久久久久久久| 中文字幕制服av| 熟妇人妻久久中文字幕3abv| 美女大奶头视频| 美女黄网站色视频| 欧美一区二区亚洲| 男女视频在线观看网站免费| 一级黄片播放器| 国产大屁股一区二区在线视频| 伊人久久精品亚洲午夜| 日产精品乱码卡一卡2卡三| 日韩欧美三级三区| 一级毛片久久久久久久久女| 99在线视频只有这里精品首页| 成人二区视频| 一个人看的www免费观看视频| 国产精品国产三级专区第一集| 久久久久久久久大av| 亚洲国产精品成人综合色| 级片在线观看| 欧美+日韩+精品| 国产女主播在线喷水免费视频网站 | 亚洲精品色激情综合| 国产精品女同一区二区软件| 精品久久久久久久末码| 嘟嘟电影网在线观看| 99久久九九国产精品国产免费| 汤姆久久久久久久影院中文字幕 | 国产午夜精品论理片| 欧美三级亚洲精品| 婷婷色综合大香蕉| 成人国产麻豆网| 国产成人精品婷婷| 亚洲欧美日韩卡通动漫| 国产单亲对白刺激| 国产探花在线观看一区二区| 亚洲国产高清在线一区二区三| 国产精品,欧美在线| 青青草视频在线视频观看| 在现免费观看毛片| 一级av片app| 国产伦理片在线播放av一区| 亚洲三级黄色毛片| 黄片wwwwww| 亚洲一级一片aⅴ在线观看| 人人妻人人澡欧美一区二区| 麻豆av噜噜一区二区三区| 九色成人免费人妻av| 91在线精品国自产拍蜜月| 国产精品一区www在线观看| 可以在线观看毛片的网站| 国内揄拍国产精品人妻在线| 我要搜黄色片| 麻豆精品久久久久久蜜桃| 大香蕉97超碰在线| 亚洲精品乱码久久久v下载方式| 边亲边吃奶的免费视频| 国产真实伦视频高清在线观看| 少妇的逼好多水| 日本欧美国产在线视频| 欧美日韩国产亚洲二区| 免费观看a级毛片全部| 亚洲欧美清纯卡通| 国产精品麻豆人妻色哟哟久久 | 亚洲欧美一区二区三区国产| 中文字幕久久专区| eeuss影院久久| 亚洲精品影视一区二区三区av| 免费黄网站久久成人精品| 国产午夜福利久久久久久| 久久精品影院6| 亚洲国产精品成人久久小说| 欧美不卡视频在线免费观看| 九九久久精品国产亚洲av麻豆| 一级黄片播放器| 18+在线观看网站| 日韩欧美 国产精品| 亚州av有码| 一区二区三区乱码不卡18| 欧美丝袜亚洲另类| 人妻制服诱惑在线中文字幕| 亚洲成人精品中文字幕电影| 国产精品精品国产色婷婷| 国产精品熟女久久久久浪| 欧美激情久久久久久爽电影| 成人毛片60女人毛片免费| 精品久久久久久电影网 | 国产av不卡久久| 淫秽高清视频在线观看| 精品久久久久久久久久久久久| 99热这里只有是精品50| 亚洲国产成人一精品久久久| 国产亚洲av片在线观看秒播厂 | 少妇人妻一区二区三区视频| 国产又色又爽无遮挡免| av在线蜜桃| 免费观看在线日韩| 成人国产麻豆网| 欧美性猛交╳xxx乱大交人| 美女被艹到高潮喷水动态| 天堂中文最新版在线下载 | 亚洲四区av| 女人被狂操c到高潮| 黄色一级大片看看| 长腿黑丝高跟| 午夜爱爱视频在线播放| 一级毛片aaaaaa免费看小| 日韩三级伦理在线观看| 国产精品熟女久久久久浪| 高清在线视频一区二区三区 | 色网站视频免费| 亚洲av中文av极速乱| 亚洲自偷自拍三级| 亚洲精品乱码久久久v下载方式| 久久久欧美国产精品| 日韩精品青青久久久久久| 亚洲四区av| 蜜桃久久精品国产亚洲av| 国内精品一区二区在线观看| 舔av片在线| 桃色一区二区三区在线观看| 中文字幕av在线有码专区| 男女边吃奶边做爰视频| 春色校园在线视频观看| 欧美97在线视频| 日韩人妻高清精品专区| 免费av毛片视频| 成年av动漫网址| 亚洲欧美精品自产自拍| 一区二区三区乱码不卡18| 十八禁国产超污无遮挡网站| 亚洲经典国产精华液单| 国产熟女欧美一区二区| 精品人妻视频免费看| av在线天堂中文字幕| 青春草国产在线视频| 国产午夜精品一二区理论片| av专区在线播放| 在线观看av片永久免费下载| 麻豆国产97在线/欧美| 日本一二三区视频观看| 亚洲欧美日韩东京热| eeuss影院久久| 天天躁日日操中文字幕| 少妇裸体淫交视频免费看高清| 亚洲最大成人手机在线| 欧美日韩国产亚洲二区| 三级国产精品欧美在线观看| 嫩草影院精品99| 一卡2卡三卡四卡精品乱码亚洲| 在线a可以看的网站| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 菩萨蛮人人尽说江南好唐韦庄 | 伦精品一区二区三区| 国产一区亚洲一区在线观看| 午夜精品在线福利| 国产亚洲av片在线观看秒播厂 | 国产精品野战在线观看| 全区人妻精品视频| 国产黄色小视频在线观看| 九九爱精品视频在线观看| 免费av不卡在线播放| 国产成年人精品一区二区| 哪个播放器可以免费观看大片| 日日摸夜夜添夜夜爱| 亚洲人成网站在线播| 在线天堂最新版资源| АⅤ资源中文在线天堂| 中文欧美无线码| 亚洲成人av在线免费| 国产极品精品免费视频能看的| 日韩人妻高清精品专区| 亚洲内射少妇av| 日韩制服骚丝袜av| 欧美日本亚洲视频在线播放| 久久久成人免费电影| 久久久欧美国产精品| av在线观看视频网站免费| 波野结衣二区三区在线| 成人毛片a级毛片在线播放| 两个人的视频大全免费| 欧美日本亚洲视频在线播放| 国产精品国产三级国产专区5o | 99久久人妻综合| 亚洲电影在线观看av| 蜜臀久久99精品久久宅男| 丰满人妻一区二区三区视频av| 午夜福利在线观看吧| 国产成人精品一,二区| 日本与韩国留学比较| 日韩强制内射视频| 国产在视频线在精品| 日日摸夜夜添夜夜添av毛片| 精品久久久久久电影网 | 九色成人免费人妻av| 综合色丁香网| 精品久久久久久久末码| 中文在线观看免费www的网站| 又黄又爽又刺激的免费视频.| 午夜福利高清视频| 欧美最新免费一区二区三区| 看十八女毛片水多多多| 哪个播放器可以免费观看大片| 午夜精品在线福利| 国产伦精品一区二区三区四那| 女人被狂操c到高潮| 国产伦理片在线播放av一区| 少妇的逼好多水| 老司机影院成人| 国产精品电影一区二区三区| 久久欧美精品欧美久久欧美| 免费在线观看成人毛片| 亚洲中文字幕一区二区三区有码在线看| 性色avwww在线观看| 欧美极品一区二区三区四区| 国产精品国产高清国产av| 美女黄网站色视频| 午夜免费激情av| 国产精品一二三区在线看| 亚洲精华国产精华液的使用体验| 国产伦精品一区二区三区视频9| 男女视频在线观看网站免费| 亚洲三级黄色毛片| 男人舔奶头视频| 精品无人区乱码1区二区| 中文字幕人妻熟人妻熟丝袜美| 搡女人真爽免费视频火全软件| 久久这里只有精品中国| 亚洲国产精品国产精品| 美女黄网站色视频| 人人妻人人看人人澡| 搡老妇女老女人老熟妇| 国产精品1区2区在线观看.| 最近手机中文字幕大全| 在线播放无遮挡| 欧美激情在线99| 中国美白少妇内射xxxbb| 久久6这里有精品| 欧美日韩国产亚洲二区| 天美传媒精品一区二区| 国产 一区 欧美 日韩| 久久99精品国语久久久| 国产视频首页在线观看| 岛国在线免费视频观看| 久久久久久久久久久免费av| 变态另类丝袜制服| 免费av观看视频|