• <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 ?

    多變量乘用車(chē)銷(xiāo)量預(yù)測(cè)模型研究

    2023-12-05 13:04:36段昊江吳冰
    汽車(chē)文摘 2023年12期
    關(guān)鍵詞:乘用車(chē)銷(xiāo)量變量

    段昊江 吳冰

    (同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院,上海 201800)

    縮略語(yǔ)

    ARMA Auto-Regressive Moving Average Model

    RBF Radial Basis Function

    SARIMA Seasonal Auto-Regressive Moving Average Model

    BP Back Propagation

    GDP Gross Domestic Product

    VECM Vector Error Correction Model

    XGBOOST eXtreme Gradient Boosting

    VAR Vector Autoregressive Model

    CNN Convolutional Neural Network

    MSFM Multivariate Sales Forecasting Model

    CPI Consumer Price Index

    GDBT Gradient Boosting Decision Tree

    MAPE Mean Absolute Percentage Error

    SVR Support Vector Regression

    0 引言

    近年來(lái),隨著國(guó)民經(jīng)濟(jì)的高速發(fā)展和居民可支配收入的不斷提高,我國(guó)乘用車(chē)市場(chǎng)已經(jīng)趨于飽和,乘用車(chē)市場(chǎng)消費(fèi)主力萎縮,加之近幾年我國(guó)城市公共交通系統(tǒng)的完善、高鐵線(xiàn)路網(wǎng)的擴(kuò)散、城市限行等因素的作用,導(dǎo)致了汽車(chē)銷(xiāo)量的低迷。2020 年,我國(guó)乘用車(chē)銷(xiāo)量為2 006萬(wàn)輛,創(chuàng)近年新低。2021年,隨著國(guó)內(nèi)疫情逐步得到控制,乘用車(chē)行業(yè)逐漸回暖,全國(guó)乘用車(chē)銷(xiāo)量達(dá)到2 175 萬(wàn)輛。2022 年,乘用車(chē)銷(xiāo)量更是上漲到2 309 萬(wàn)輛。在汽車(chē)行業(yè)日漸繁榮的大環(huán)境下,無(wú)論是已經(jīng)在市場(chǎng)中占據(jù)席位的車(chē)企還是打算進(jìn)入汽車(chē)行業(yè)的“新人”,都應(yīng)認(rèn)真剖析市場(chǎng)現(xiàn)狀格局和國(guó)家政策,準(zhǔn)確把握行業(yè)發(fā)展方向,精準(zhǔn)識(shí)別消費(fèi)者需求,從而制定相適應(yīng)的生產(chǎn)目標(biāo),實(shí)現(xiàn)按需生產(chǎn)。

    在乘用車(chē)銷(xiāo)量預(yù)測(cè)研究中,對(duì)于變量的選擇,早期大部分學(xué)者只基于歷史銷(xiāo)量數(shù)據(jù)展開(kāi)預(yù)測(cè)[1-2],雖然預(yù)測(cè)模型與結(jié)果對(duì)市場(chǎng)長(zhǎng)期性的變化有著比較好的效果體現(xiàn),但是當(dāng)市場(chǎng)出現(xiàn)波動(dòng)時(shí),時(shí)間序列模型的預(yù)測(cè)精度就會(huì)大幅度降低。有研究發(fā)現(xiàn)宏觀經(jīng)濟(jì)因素會(huì)對(duì)乘用車(chē)的銷(xiāo)量產(chǎn)生很大影響,是非常重要的外部因素,國(guó)內(nèi)外學(xué)者開(kāi)始考慮將宏觀經(jīng)濟(jì)指標(biāo)作為變量添加到模型中進(jìn)行預(yù)測(cè)研究[3-5]。近年來(lái),隨著互聯(lián)網(wǎng)和大數(shù)據(jù)的發(fā)展,消費(fèi)者們幾乎都喜歡在網(wǎng)絡(luò)中搜索自己想購(gòu)買(mǎi)的商品,并將網(wǎng)絡(luò)中的相關(guān)信息和其他消費(fèi)者的評(píng)價(jià)作為自己是否消費(fèi)的參考。網(wǎng)絡(luò)搜索數(shù)據(jù)為商品市場(chǎng)發(fā)展動(dòng)向和趨勢(shì)提供了一定程度的前瞻,越來(lái)越多的學(xué)者都開(kāi)始應(yīng)用時(shí)效性更好的網(wǎng)絡(luò)搜索數(shù)據(jù)來(lái)進(jìn)行乘用車(chē)的銷(xiāo)量預(yù)測(cè)研究[6-10]。

    但是,國(guó)內(nèi)外學(xué)者們?cè)谶M(jìn)行乘用車(chē)銷(xiāo)量預(yù)測(cè)的研究時(shí),大多只選取一到兩類(lèi)影響變量進(jìn)行研究,少有將上述變量類(lèi)型綜合起來(lái)同時(shí)進(jìn)行考慮的研究,因此,本文在已有研究的基礎(chǔ)上,以乘用車(chē)整體市場(chǎng)為研究對(duì)象,逐步添加歷史銷(xiāo)量、宏觀經(jīng)濟(jì)指標(biāo)、網(wǎng)絡(luò)搜索關(guān)鍵詞這些影響乘用車(chē)銷(xiāo)量的變量,建立銷(xiāo)量預(yù)測(cè)模型并進(jìn)行效果比對(duì)分析。

    1 文獻(xiàn)綜述

    在乘用車(chē)銷(xiāo)量預(yù)測(cè)方面,現(xiàn)有研究中考慮到的變量主要包括歷史銷(xiāo)量、宏觀經(jīng)濟(jì)指標(biāo)、網(wǎng)絡(luò)搜索數(shù)據(jù)等,按照變量的選擇與組合可以分為基于單類(lèi)型變量的銷(xiāo)量預(yù)測(cè)研究和基于雙類(lèi)型變量的銷(xiāo)量預(yù)測(cè)研究。

    1.1 基于單類(lèi)型變量的銷(xiāo)量預(yù)測(cè)

    1.1.1 歷史銷(xiāo)量

    早期關(guān)于銷(xiāo)量預(yù)測(cè)的研究主要集中于使用時(shí)間序列分析方法,通過(guò)尋找銷(xiāo)量數(shù)據(jù)過(guò)去的規(guī)律來(lái)預(yù)測(cè)其未來(lái)的發(fā)展趨勢(shì)。李響等[1]通過(guò)自回歸滑動(dòng)平均模型(Auto-Regressive Moving Average Model,ARMA)與徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)相結(jié)合的混合模型來(lái)對(duì)銷(xiāo)量進(jìn)行了預(yù)測(cè),并通過(guò)仿真試驗(yàn)驗(yàn)證了模型的有效性。王旭天等[2]考慮了季節(jié)性因素的影響,采用季節(jié)性差分自回歸滑動(dòng)平均模型(Seasonal Auto-Regressive Moving Average Model,SARIMA)并選取2004年到2015年的月度銷(xiāo)量數(shù)據(jù)來(lái)進(jìn)行銷(xiāo)量預(yù)測(cè)。

    1.1.2 宏觀經(jīng)濟(jì)指標(biāo)

    在眾多影響乘用車(chē)銷(xiāo)量的因素中,宏觀經(jīng)濟(jì)方面的因素是非常重要的外部因素。王棟等[3]通過(guò)灰色關(guān)聯(lián)分析法篩選出國(guó)民總收入、人均國(guó)內(nèi)生產(chǎn)總值(Gross Domestic Product, GDP)、進(jìn)出口總額等7 個(gè)影響汽車(chē)保有量的相關(guān)因子,將其加入反向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)分析。Gao等[4]分析了中國(guó)汽車(chē)銷(xiāo)量與經(jīng)濟(jì)變量之間的關(guān)系,建模結(jié)果表明鋼鐵產(chǎn)量和汽油價(jià)格為內(nèi)生變量,并與中國(guó)汽車(chē)銷(xiāo)量之間存在長(zhǎng)期協(xié)整關(guān)系,因此建立了向量誤差修正模型(Vector Error Correction Model,VECM)來(lái)定量分析內(nèi)生變量對(duì)中國(guó)汽車(chē)銷(xiāo)量的長(zhǎng)期影響。

    1.1.3 網(wǎng)絡(luò)搜索數(shù)據(jù)

    網(wǎng)絡(luò)搜索數(shù)據(jù)能夠體現(xiàn)用戶(hù)的關(guān)注意向和需求變化,可以提高銷(xiāo)量預(yù)測(cè)模型的精準(zhǔn)度。袁慶玉等[6]首先將關(guān)鍵詞進(jìn)行合成,之后建立模型研究關(guān)鍵詞合成指數(shù)與汽車(chē)銷(xiāo)量之間的關(guān)系并進(jìn)行預(yù)測(cè)。李憶等[7]運(yùn)用文本挖掘技術(shù)確定網(wǎng)絡(luò)搜索關(guān)鍵詞庫(kù),構(gòu)建固定效應(yīng)模型來(lái)研究網(wǎng)絡(luò)搜索數(shù)據(jù)與汽車(chē)銷(xiāo)量的關(guān)系,最終發(fā)現(xiàn)兩者間存在長(zhǎng)期均衡關(guān)系。

    1.2 基于雙類(lèi)型變量的銷(xiāo)量預(yù)測(cè)研究

    現(xiàn)有研究中也有不少學(xué)者結(jié)合兩種類(lèi)型的變量對(duì)汽車(chē)銷(xiāo)量進(jìn)行建模預(yù)測(cè)。王易等[5]結(jié)合歷史銷(xiāo)量數(shù)據(jù)與宏觀經(jīng)濟(jì)數(shù)據(jù),建立了極端梯度提升(eXtreme Gradient Boosting,XGBOOST)模型對(duì)汽車(chē)銷(xiāo)量進(jìn)行了預(yù)測(cè)研究。Yong等[8]提出預(yù)測(cè)電動(dòng)汽車(chē)量化市場(chǎng)需求的模型,考慮5 個(gè)經(jīng)濟(jì)指標(biāo)和關(guān)鍵詞“電動(dòng)汽車(chē)”百度指數(shù)的外部影響,建立了多元向量自回歸模型(Vector Autoregressive Model,VAR),使預(yù)測(cè)精度得到顯著提高。劉吉華等[9]以大眾汽車(chē)為研究對(duì)象,構(gòu)建其網(wǎng)絡(luò)搜索關(guān)鍵詞庫(kù),并基于主成分分析將關(guān)鍵詞進(jìn)行合成,建立了結(jié)合歷史銷(xiāo)量數(shù)據(jù)與網(wǎng)絡(luò)搜索數(shù)據(jù)的回歸預(yù)測(cè)模型。劉吉華等[10]在以后的研究中還將深度學(xué)習(xí)的算法引入汽車(chē)銷(xiāo)量預(yù)測(cè),用卷積神經(jīng)網(wǎng)絡(luò)模型(Convolutional Neural Network,CNN)來(lái)對(duì)結(jié)合歷史銷(xiāo)量數(shù)據(jù)與網(wǎng)絡(luò)搜索數(shù)據(jù)的大眾汽車(chē)進(jìn)行銷(xiāo)量預(yù)測(cè)。

    綜上所述,可以發(fā)現(xiàn)目前對(duì)于汽車(chē)銷(xiāo)量預(yù)測(cè)分析有很多效果良好的研究模型,但在變量的選擇與組合方面,少有同時(shí)考慮歷史銷(xiāo)量、宏觀經(jīng)濟(jì)指標(biāo)和網(wǎng)絡(luò)搜索數(shù)據(jù)作為自變量的研究,因此本文將在此基礎(chǔ)上嘗試逐步添加歷史銷(xiāo)量、宏觀經(jīng)濟(jì)指標(biāo)、網(wǎng)絡(luò)搜索關(guān)鍵詞,作為自變量建立多變量銷(xiāo)量預(yù)測(cè)模型(Multivariate Sales Forecasting Model,MSFM)并進(jìn)行效果比對(duì)分析。

    2 基于梯度提升決策樹(shù)的銷(xiāo)量預(yù)測(cè)模型構(gòu)建

    本文首先進(jìn)行變量選擇與數(shù)據(jù)獲取,然后對(duì)各變量數(shù)據(jù)進(jìn)行如主成分分析和標(biāo)準(zhǔn)化等預(yù)處理,最后將各變量數(shù)據(jù)逐步加入梯度提升決策樹(shù)算法進(jìn)行訓(xùn)練,本文所構(gòu)建的銷(xiāo)量預(yù)測(cè)模型的框架如圖1所示。

    圖1 銷(xiāo)量預(yù)測(cè)模型構(gòu)建框架

    2.1 變量選擇

    本文將嘗試在模型中逐步加入歷史銷(xiāo)量、宏觀經(jīng)濟(jì)指標(biāo)、網(wǎng)絡(luò)搜索數(shù)據(jù)3 種變量進(jìn)行建模。下面首先對(duì)這3方面的變量進(jìn)行介紹。

    2.1.1 歷史銷(xiāo)量

    在時(shí)間序列數(shù)據(jù)的構(gòu)成要素中,季節(jié)變動(dòng)和循環(huán)變動(dòng)都是序列數(shù)據(jù)隨著季節(jié)的變化或者固定型周期而發(fā)生的有規(guī)律的周期性變動(dòng)[11],因此研究歷史銷(xiāo)量數(shù)據(jù)的規(guī)律變動(dòng)能夠從一定程度上預(yù)測(cè)未來(lái)銷(xiāo)量數(shù)據(jù)的變化趨勢(shì)。

    2.1.2 宏觀經(jīng)濟(jì)指標(biāo)

    乘用車(chē)行業(yè)深受經(jīng)濟(jì)因素變動(dòng)的影響,經(jīng)濟(jì)因素大多體現(xiàn)一個(gè)國(guó)家的發(fā)展情況和人民的平均生活水平,一個(gè)國(guó)家經(jīng)濟(jì)水平越高,人民的生活水平越高,對(duì)乘用車(chē)的購(gòu)買(mǎi)力就越強(qiáng)。本文選取了常用的消費(fèi)者物價(jià)指數(shù)(Consumer Price Index, CPI)和92 號(hào)汽油價(jià)格作為影響乘用車(chē)銷(xiāo)量的宏觀經(jīng)濟(jì)指標(biāo)變量[4,8,12]。

    2.1.3 網(wǎng)絡(luò)搜索關(guān)鍵詞

    近年來(lái),隨著互聯(lián)網(wǎng)和大數(shù)據(jù)的發(fā)展,消費(fèi)者們?cè)谫?gòu)買(mǎi)商品之前越來(lái)越傾向于在網(wǎng)絡(luò)上通過(guò)搜索引擎查找或咨詢(xún)商品的相關(guān)信息和評(píng)價(jià),以此為參考來(lái)做出進(jìn)一步的消費(fèi)行為。所以,網(wǎng)絡(luò)搜索數(shù)據(jù)為商品市場(chǎng)發(fā)展動(dòng)向和趨勢(shì)提供了一定程度的前瞻。消費(fèi)者在進(jìn)行網(wǎng)絡(luò)搜索時(shí),通常會(huì)選擇自己關(guān)注商品的關(guān)鍵詞進(jìn)行搜索,因此現(xiàn)有的網(wǎng)絡(luò)搜索數(shù)據(jù)大都是根據(jù)搜索引擎中用戶(hù)對(duì)于關(guān)鍵詞的搜索量為基礎(chǔ)形成的。比如百度指數(shù)是指互聯(lián)網(wǎng)用戶(hù)對(duì)關(guān)鍵詞搜索關(guān)注程度及持續(xù)變化情況,其是以網(wǎng)民在百度的搜索量為數(shù)據(jù)基礎(chǔ),以關(guān)鍵詞為統(tǒng)計(jì)對(duì)象,科學(xué)分析并計(jì)算出各個(gè)關(guān)鍵詞在百度網(wǎng)頁(yè)搜索中搜索頻次的加權(quán)[13]。本文也選取百度指數(shù)作為銷(xiāo)量預(yù)測(cè)中的自變量之一。

    本文銷(xiāo)量預(yù)測(cè)模型中所涉及的變量如表1所示。

    表1 銷(xiāo)量預(yù)測(cè)模型涉及變量

    2.2 數(shù)據(jù)預(yù)處理

    2.2.1 時(shí)間序列分解

    一個(gè)時(shí)間序列通常由長(zhǎng)期趨勢(shì)、季節(jié)變動(dòng)和不規(guī)則波動(dòng)部分組成[14]。為了研究銷(xiāo)量時(shí)間序列的規(guī)律變動(dòng),本文選擇將時(shí)間序列進(jìn)行分解來(lái)判斷其季節(jié)變化周期。關(guān)于時(shí)間序列的分解模型主要分為加法模型和乘法模型,如公式(1)和公式(2)所示:

    式中,Value為時(shí)間序列值;Trend為長(zhǎng)期趨勢(shì)值;Seasonal為季節(jié)變動(dòng)值;Resid為不規(guī)則變動(dòng)值。

    加法模型中時(shí)間序列的各個(gè)組成成分是相互獨(dú)立的,都有相同的量綱。而乘法模型中輸出部分和趨勢(shì)項(xiàng)有相同的量綱,季節(jié)項(xiàng)是比例數(shù),不規(guī)則變動(dòng)項(xiàng)為獨(dú)立隨機(jī)變量序列,服從正態(tài)分布。通過(guò)對(duì)時(shí)間序列進(jìn)行分解能夠快速找到時(shí)間序列的季節(jié)或周期變動(dòng)規(guī)律。

    2.2.2 時(shí)差關(guān)系分析

    為了對(duì)關(guān)鍵詞進(jìn)行篩選,本文采取時(shí)差關(guān)系分析來(lái)研究關(guān)鍵詞百度指數(shù)數(shù)據(jù)與乘用車(chē)銷(xiāo)量之間的相關(guān)關(guān)系。時(shí)差關(guān)系分析是利用相關(guān)系數(shù)驗(yàn)證兩組時(shí)間序列之間先行、一致或滯后關(guān)系的常用方法,其計(jì)算公式如公式(3)所示[15]:

    式中,rl是兩組時(shí)間序列的相關(guān)系數(shù);l表示先行或滯后階數(shù),l取負(fù)數(shù)時(shí)表示先行,取正數(shù)時(shí)表示滯后。在經(jīng)濟(jì)預(yù)測(cè)領(lǐng)域,一般只考慮具有預(yù)測(cè)作用的先行關(guān)鍵詞。

    對(duì)于rl的取值,當(dāng)rl>0 時(shí)表示兩組時(shí)間序列呈正相關(guān);當(dāng)rl<0 時(shí)表示兩組時(shí)間序列呈負(fù)相關(guān)。在相關(guān)程度上,當(dāng)0 < |rl|≤0.3 時(shí)認(rèn)為兩組時(shí)間序列不存在相關(guān)關(guān)系或相關(guān)性極弱;當(dāng)0.3 < |rl|≤0.5 時(shí)認(rèn)為兩組時(shí)間序列為低度線(xiàn)性相關(guān);當(dāng)0.5 < |rl|≤0.8時(shí)認(rèn)為兩組時(shí)間序列為中度線(xiàn)性相關(guān);當(dāng) |rl|>0.8時(shí)認(rèn)為兩組時(shí)間序列為高度線(xiàn)性相關(guān)[16]。

    2.2.3 主成分分析

    由于網(wǎng)絡(luò)搜索關(guān)鍵詞數(shù)據(jù)多而復(fù)雜,且多個(gè)相關(guān)關(guān)鍵詞的百度指數(shù)數(shù)據(jù)之間一般存在多重共線(xiàn)性,于是本文采取主成分分析的方法來(lái)對(duì)關(guān)鍵詞進(jìn)行合成,以消除數(shù)據(jù)間的多重共線(xiàn)性。主成分分析是一種利用降維的思想,通過(guò)正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線(xiàn)性不相關(guān)變量的統(tǒng)計(jì)方法,轉(zhuǎn)換后的這組變量叫主成分[9]。主成分分析的主要步驟如下:

    (1)指標(biāo)轉(zhuǎn)換

    假設(shè)進(jìn)行主成分回歸的指標(biāo)變量有m個(gè),分別為X1,X2,…,Xm,共有n個(gè)樣本數(shù)據(jù),第i個(gè)樣本的第j個(gè)指標(biāo)的取值為aij。將各指標(biāo)值aij轉(zhuǎn)換成標(biāo)準(zhǔn)化指標(biāo)值如公式(4)所示:

    式中,uj,sj分別為第j個(gè)指標(biāo)的樣本均值和樣本標(biāo)準(zhǔn)差。對(duì)應(yīng)地稱(chēng)為標(biāo)準(zhǔn)化指標(biāo)變量。如公式(5)所示:(2)計(jì)算相關(guān)系數(shù)矩陣

    相關(guān)系數(shù)矩陣R= (rij)m*m,式中對(duì)角線(xiàn)元素rii= 1,rij=rji是第i個(gè)指標(biāo)與第j個(gè)指標(biāo)的相關(guān)系數(shù),如公式(6)所示:

    (3)計(jì)算特征值與特征向量

    計(jì) 算 相 關(guān) 系 數(shù) 矩 陣R的 特 征 值λ1≥λ2≥… ≥λm≥0 時(shí) 對(duì) 應(yīng) 的 特 征 向 量μ1,μ2,…,μm,其中μj=[μ1j,μ2j,…,μmj]T,由特征向量組成m個(gè)新的指標(biāo)變量,如公式(7)所示:

    式中,Y1是第一個(gè)主成分;Y2是第二主成分;…,Ym是第m主成分。

    (4)計(jì)算主成分貢獻(xiàn)率及累計(jì)貢獻(xiàn)率

    根據(jù)公式(8)和公式(9),稱(chēng)bj為主成分Yj的信息貢獻(xiàn)率,αp為主成分Y1,Y2,…,YP的累積貢獻(xiàn)率,當(dāng)αp接近于1 時(shí),則選擇前p個(gè)指標(biāo)變量Y1,Y2,…,YP作為p個(gè)主成分,代替原來(lái)m個(gè)指標(biāo)變量,從而可對(duì)p個(gè)主成分進(jìn)行綜合分析(p≤m)。

    2.2.4 數(shù)據(jù)標(biāo)準(zhǔn)化

    本文選取使用的梯度提升決策樹(shù)(Gradient Boosting Decision Tree, GDBT)算法與梯度有關(guān),為了避免預(yù)測(cè)結(jié)果向數(shù)值大的變量?jī)A斜,需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,如公式(10)所示[17]:

    2.3 模型訓(xùn)練與結(jié)果分析

    2.3.1 數(shù)據(jù)集劃分

    機(jī)器學(xué)習(xí)算法在訓(xùn)練前一般需要將數(shù)據(jù)集劃分成獨(dú)立的3部分,即訓(xùn)練集、測(cè)試集和驗(yàn)證集。其中訓(xùn)練集用于訓(xùn)練模型,驗(yàn)證集用于評(píng)估模型,協(xié)助調(diào)整模型超參數(shù),測(cè)試集則是用于檢驗(yàn)最終選擇的最優(yōu)模型的性能表現(xiàn)。

    2.3.2 梯度提升決策樹(shù)

    梯度提升決策樹(shù)算法可以靈活處理各種類(lèi)型的數(shù)據(jù),且其模型一般具有較好的解釋性和魯棒性,因此本文選擇梯度提升決策樹(shù)算法為基礎(chǔ)來(lái)進(jìn)行乘用車(chē)銷(xiāo)量預(yù)測(cè)研究。

    梯度提升決策樹(shù)(GDBT)是Friedman在2001年提出的一種迭代學(xué)習(xí)的決策樹(shù)算法[18]。GDBT 采用的是集成學(xué)習(xí)中Boosting 算法的基本思想,即首先使用初始權(quán)重從訓(xùn)練集中訓(xùn)練出一個(gè)弱學(xué)習(xí)器,根據(jù)弱學(xué)習(xí)器的學(xué)習(xí)誤差率來(lái)更新樣本的權(quán)重,提高之前弱學(xué)習(xí)器學(xué)習(xí)率較高的訓(xùn)練樣本點(diǎn)權(quán)重,使得這些誤差率高的樣本在后面的弱學(xué)習(xí)器中得到更多的重視。如此循環(huán),直到得到指定數(shù)量的學(xué)習(xí)器,再結(jié)合策略進(jìn)行式就是各棵決策樹(shù)??傮w上,GBDT 是通過(guò)采用加法模型(即基函數(shù)的線(xiàn)性組合)以及不斷減小訓(xùn)練過(guò)程產(chǎn)生的殘差來(lái)達(dá)到將數(shù)據(jù)分類(lèi)或者回歸的算法。

    2.3.3 結(jié)果比對(duì)分析

    為了驗(yàn)證各個(gè)變量對(duì)銷(xiāo)量預(yù)測(cè)的影響,本文在GDBT算法基礎(chǔ)上,分別構(gòu)建只考慮歷史銷(xiāo)量的模型1,同時(shí)考慮歷史銷(xiāo)量和宏觀經(jīng)濟(jì)指標(biāo)的模型2,同時(shí)考慮歷史銷(xiāo)量、宏觀經(jīng)濟(jì)指標(biāo)和網(wǎng)絡(luò)搜索關(guān)鍵詞的模型3來(lái)進(jìn)行訓(xùn)練(如式(11)至式(13)所示)并進(jìn)行結(jié)果比對(duì)分析。

    3 實(shí)證研究與結(jié)果分析

    3.1 數(shù)據(jù)獲取與預(yù)處理

    3.1.1 銷(xiāo)量數(shù)據(jù)

    本文從車(chē)主之家官網(wǎng)獲取了乘用車(chē)市場(chǎng)2013 年1 月至2021 年12 月共72 個(gè)月的銷(xiāo)量數(shù)據(jù),其時(shí)序圖如圖2所示。在模型評(píng)價(jià)指標(biāo)的選擇上,由于平均絕對(duì)百分誤差(Mean Absolute Percentage Error,MAPE)數(shù)值是百分比的形式,更能形象地表達(dá)出誤差值,易于解釋?zhuān)虼吮疚倪x取MAPE 來(lái)對(duì)不同模型進(jìn)行效果比較[19],其計(jì)算公式如公式(14)所示:

    圖2 乘用車(chē)銷(xiāo)量時(shí)序圖

    式中,yi是t時(shí)刻的預(yù)測(cè)值;yi是t時(shí)刻的真實(shí)值。理論上,MAPE 的值越小,說(shuō)明預(yù)測(cè)模型擬合效果越好,具有更好的精確度。

    由圖2所展示的時(shí)序圖可以初步認(rèn)為乘用車(chē)的月度銷(xiāo)量數(shù)據(jù)有一定的周期性變化,接下來(lái)對(duì)其進(jìn)行分解來(lái)判斷其季節(jié)變化周期。本文采用Python的statesmodel 庫(kù)中的seasonal_decompose 函數(shù)來(lái)對(duì)乘用車(chē)的銷(xiāo)量數(shù)據(jù)進(jìn)行時(shí)間序列分解,加法模型和乘法模型的結(jié)果分別如圖3、圖4所示。

    圖3 乘用車(chē)銷(xiāo)量序列分解(加法模型)

    圖4 乘用車(chē)銷(xiāo)量序列分解(乘法模型)

    由圖3 和圖4 所展示的時(shí)間序列分解結(jié)果可知,乘用車(chē)銷(xiāo)量數(shù)據(jù)的季節(jié)變化周期均為12個(gè)月,故選擇將去年同期的銷(xiāo)量數(shù)據(jù)作為模型中的變量之一。

    3.1.2 宏觀經(jīng)濟(jì)數(shù)據(jù)

    本文從東方財(cái)富網(wǎng)上通過(guò)網(wǎng)絡(luò)爬蟲(chóng)獲取了2014年1月至2021年12月的宏觀經(jīng)濟(jì)數(shù)據(jù),包括消費(fèi)者物價(jià)指數(shù)(CPI)和92號(hào)汽油價(jià)格,其部分?jǐn)?shù)據(jù)如表2所示。

    表2 宏觀經(jīng)濟(jì)樣本數(shù)據(jù)表(部分?jǐn)?shù)據(jù))

    3.1.3 網(wǎng)絡(luò)搜索關(guān)鍵詞數(shù)據(jù)

    由于受到不同消費(fèi)者的語(yǔ)言習(xí)慣、搜索風(fēng)格主觀因素的影響,網(wǎng)絡(luò)搜索關(guān)鍵詞庫(kù)變得龐大而復(fù)雜,因此構(gòu)建合適的關(guān)鍵詞組就成了研究的關(guān)鍵。

    (1)關(guān)鍵詞的獲取

    本文首先分別以“乘用車(chē)”作為初始核心關(guān)鍵詞,然后利用百度指數(shù)需求圖譜與相關(guān)詞熱度模塊來(lái)進(jìn)行兩輪關(guān)鍵詞的拓展,同時(shí)去除搜索指數(shù)較低以及明顯與乘用車(chē)無(wú)顯著關(guān)系的關(guān)鍵詞,最終得到的關(guān)鍵詞為86個(gè),之后再根據(jù)選取的關(guān)鍵詞在百度指數(shù)官網(wǎng)上通過(guò)網(wǎng)絡(luò)爬蟲(chóng)獲取到百度指數(shù)數(shù)值。采集到的部分?jǐn)?shù)據(jù)如表3所示。

    表3 網(wǎng)絡(luò)搜索關(guān)鍵詞百度指數(shù)數(shù)據(jù)表(部分?jǐn)?shù)據(jù))

    (2)關(guān)鍵詞的篩選

    本文采取時(shí)差關(guān)系分析來(lái)研究關(guān)鍵詞百度指數(shù)數(shù)據(jù)與乘用車(chē)銷(xiāo)量之間的相關(guān)關(guān)系,從而對(duì)關(guān)鍵詞進(jìn)行篩選。首先取l∈[-6,0)(即先行階數(shù)取1 至6),在每個(gè)關(guān)鍵詞百度指數(shù)數(shù)據(jù)中選擇相關(guān)程度為低度相關(guān)及以上(即相關(guān)系數(shù) |rl|>0.3)且相關(guān)系數(shù)值最大的先行階數(shù)[16],最終篩選得到的關(guān)鍵詞為23 個(gè),部分結(jié)果如表4所示。

    表4 關(guān)鍵詞百度指數(shù)數(shù)據(jù)時(shí)差關(guān)系分析結(jié)果(部分?jǐn)?shù)據(jù))

    根據(jù)時(shí)差關(guān)系分析結(jié)果,將關(guān)鍵詞按照先行階數(shù)與銷(xiāo)量數(shù)據(jù)進(jìn)行對(duì)應(yīng),得到關(guān)鍵詞篩選后的百度指數(shù)數(shù)據(jù)。

    (3)關(guān)鍵詞的合成

    將經(jīng)過(guò)預(yù)處理的百度指數(shù)數(shù)據(jù)運(yùn)用Python 的sklearn庫(kù)中的PCA()函數(shù)進(jìn)行主成分分析,結(jié)果如表5所示。

    表5 百度指數(shù)數(shù)據(jù)主成分分析結(jié)果

    由表5的結(jié)果可以得出,經(jīng)過(guò)主成分分析降維后,前3個(gè)主成分的特征方差累計(jì)占比超過(guò)95%,包含了原數(shù)據(jù)的大部分信息,因此考慮將百度指數(shù)數(shù)據(jù)降維到3維。

    3.1.4 數(shù)據(jù)標(biāo)準(zhǔn)化

    本文使用Python的sklearn庫(kù)中的StandardScaler()函數(shù)對(duì)以上獲取并預(yù)處理過(guò)的銷(xiāo)量數(shù)據(jù)、宏觀經(jīng)濟(jì)數(shù)據(jù)和百度指數(shù)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

    3.2 模型訓(xùn)練

    對(duì)于數(shù)據(jù)集的劃分,本文選取2014年1月至2020年12月的數(shù)據(jù)作為訓(xùn)練集和驗(yàn)證集,選取2021年1月至12月的數(shù)據(jù)作為測(cè)試集。

    模型訓(xùn)練方面,本文使用Python的sklearn庫(kù)中的GradientBoostingRegressor()函數(shù)進(jìn)行GDBT 算法的建模。對(duì)于模型中的超參數(shù)選擇,選擇用網(wǎng)格搜索的方法進(jìn)行確定,即在指定的參數(shù)范圍內(nèi),按步長(zhǎng)依次調(diào)整參數(shù),利用調(diào)整的參數(shù)訓(xùn)練學(xué)習(xí)器,從所有的參數(shù)中找到在驗(yàn)證集上精度最高的參數(shù)[20]。同時(shí)考慮到不同驗(yàn)證集對(duì)模型結(jié)果的影響不同,對(duì)訓(xùn)練集和驗(yàn)證集采取7折交叉驗(yàn)證的方式進(jìn)行建模。本文使用sklearn庫(kù)中的GridSearchCV()函數(shù)遍歷多種超參數(shù)組合并通過(guò)交叉驗(yàn)證確定最優(yōu)效果參數(shù)。

    3.3 模型結(jié)果比對(duì)分析

    在GDBT算法中逐步加入歷史銷(xiāo)量數(shù)據(jù)、宏觀經(jīng)濟(jì)數(shù)據(jù)、網(wǎng)絡(luò)搜索關(guān)鍵詞數(shù)據(jù)所得到的各模型對(duì)乘用車(chē)2021年1月至12月的預(yù)測(cè)結(jié)果MAPE指標(biāo)如表6所示。

    表6 GDBT模型預(yù)測(cè)的MAPE指標(biāo)結(jié)果

    由表6 所展示的預(yù)測(cè)結(jié)果可知,只使用歷史銷(xiāo)量數(shù)據(jù)進(jìn)行建模時(shí),模型MAPE值為14.37%。添加了宏觀經(jīng)濟(jì)指標(biāo)進(jìn)行建模后,MAPE 值有所降低,為12.71%,說(shuō)明宏觀經(jīng)濟(jì)指標(biāo)對(duì)銷(xiāo)量有一定的影響。當(dāng)在模型中同時(shí)考慮歷史銷(xiāo)量、宏觀經(jīng)濟(jì)指標(biāo)和網(wǎng)絡(luò)搜索關(guān)鍵詞變量時(shí),MAPE值進(jìn)一步降低,模型效果進(jìn)一步提升,表明了網(wǎng)絡(luò)搜索數(shù)據(jù)有助于乘用車(chē)銷(xiāo)量的預(yù)測(cè)。

    在時(shí)間序列的相關(guān)預(yù)測(cè)問(wèn)題中,季節(jié)性差分自回歸滑動(dòng)平均模型(Seasonal Auto-Regressive Moving Average Model,SARIMA)、支持向量機(jī)回歸(Support Vector Regression,SVR)模型也得到了廣泛應(yīng)用[2,21],為了證明本文所使用模型的有效性,進(jìn)一步對(duì)比了同時(shí)考慮3 個(gè)變量時(shí)GDBT 模型與SARIMA 模型、SVR 模型的預(yù)測(cè)結(jié)果MAPE指標(biāo),結(jié)果如表7所示。

    表7 不同模型預(yù)測(cè)的MAPE對(duì)比%

    由表7可知,GDBT 模型的MAPE 指標(biāo)比SARIMA模型、SVR模型都低,表明GDBT模型的擬合效果最優(yōu)。

    綜合上述分析可以得出,同時(shí)使用歷史銷(xiāo)量、宏觀經(jīng)濟(jì)指標(biāo)、網(wǎng)絡(luò)關(guān)鍵詞搜索數(shù)據(jù)變量會(huì)使銷(xiāo)量預(yù)測(cè)模型的精度提高,本文中得到的最優(yōu)模型是GDBT模型,其MAPE值結(jié)果為10.35%,能夠較好的預(yù)測(cè)銷(xiāo)量變化。

    4 結(jié)論與展望

    4.1 研究結(jié)論

    本文以乘用車(chē)整體市場(chǎng)為研究對(duì)象,在現(xiàn)有研究的基礎(chǔ)上分別建立了只考慮歷史銷(xiāo)量的預(yù)測(cè)模型,同時(shí)考慮歷史銷(xiāo)量和宏觀經(jīng)濟(jì)指標(biāo)的預(yù)測(cè)模型,同時(shí)考慮歷史銷(xiāo)量、宏觀經(jīng)濟(jì)指標(biāo)和網(wǎng)絡(luò)搜索關(guān)鍵詞的預(yù)測(cè)模型,最終將建立的模型進(jìn)行對(duì)比分析,發(fā)現(xiàn)同時(shí)考慮了3 種變量的梯度提升決策樹(shù)模型的MAPE 值最小,說(shuō)明其擬合效果最好,也表明了宏觀經(jīng)濟(jì)指標(biāo)和網(wǎng)絡(luò)搜索數(shù)據(jù)有助于乘用車(chē)銷(xiāo)量預(yù)測(cè)。

    本文在理論層面以乘用車(chē)整體市場(chǎng)為研究對(duì)象,使用歷史銷(xiāo)量、宏觀經(jīng)濟(jì)指標(biāo)和網(wǎng)絡(luò)搜索關(guān)鍵詞數(shù)據(jù)作為影響乘用車(chē)銷(xiāo)量的變量,得出同時(shí)使用上述3種變量的梯度提升決策樹(shù)模型為最佳模型,為銷(xiāo)量預(yù)測(cè)的研究提供一種新的參考模型。在實(shí)踐層面,對(duì)于乘用車(chē)市場(chǎng)中已有一定滲透率的企業(yè),可以基于本文得出的最優(yōu)銷(xiāo)量模型對(duì)市場(chǎng)趨勢(shì)發(fā)展情況做參考,從而進(jìn)行針對(duì)性的生產(chǎn)計(jì)劃安排與優(yōu)化以及市場(chǎng)營(yíng)銷(xiāo)戰(zhàn)略的制定。

    4.2 研究不足與展望

    (1)本文在銷(xiāo)量預(yù)測(cè)中所考慮的影響乘用車(chē)銷(xiāo)量的變量仍然不完備,后續(xù)研究中可以繼續(xù)發(fā)掘其他影響因素進(jìn)行綜合考慮,例如宏觀經(jīng)濟(jì)環(huán)境、政策因素、零部件供給端相關(guān)因素和消費(fèi)者評(píng)價(jià)因素,來(lái)進(jìn)一步提高模型的預(yù)測(cè)精確度。

    (2)本文在銷(xiāo)量預(yù)測(cè)中僅應(yīng)用了單一模型,后續(xù)研究中可以進(jìn)一步將各類(lèi)預(yù)測(cè)模型進(jìn)行融合來(lái)建模并分析比對(duì)效果,得到表現(xiàn)更優(yōu)的模型。

    (3)本文是以乘用車(chē)整體市場(chǎng)為研究對(duì)象進(jìn)行預(yù)測(cè),未來(lái)對(duì)新能源汽車(chē)的銷(xiāo)量預(yù)測(cè)也是重要的研究方向。

    猜你喜歡
    乘用車(chē)銷(xiāo)量變量
    同比增長(zhǎng)130%!劍指3萬(wàn)噸銷(xiāo)量,豐華黃顙料迎來(lái)大爆發(fā)
    抓住不變量解題
    也談分離變量
    盤(pán)點(diǎn)2018年車(chē)企銷(xiāo)量
    上汽通用172萬(wàn)銷(xiāo)量下的陰影
    SL(3,3n)和SU(3,3n)的第一Cartan不變量
    分離變量法:常見(jiàn)的通性通法
    直接式TPMS在某款乘用車(chē)上的應(yīng)用介紹
    新一代清潔型乘用車(chē)柴油機(jī)
    國(guó)內(nèi)市場(chǎng)主要乘用車(chē)型價(jià)格表
    国产精华一区二区三区| 天堂动漫精品| 岛国在线免费视频观看| 国产中年淑女户外野战色| 国产精品永久免费网站| 亚洲va日本ⅴa欧美va伊人久久| 全区人妻精品视频| 一区福利在线观看| 少妇裸体淫交视频免费看高清| 亚洲精华国产精华精| 国内精品久久久久久久电影| 国产精品电影一区二区三区| 成年女人看的毛片在线观看| 九九久久精品国产亚洲av麻豆| 丰满乱子伦码专区| 乱系列少妇在线播放| 国内久久婷婷六月综合欲色啪| 搡老熟女国产l中国老女人| 精品一区二区三区视频在线观看免费| 国产伦精品一区二区三区视频9| 久久久精品欧美日韩精品| 国产精华一区二区三区| 一本精品99久久精品77| 国产白丝娇喘喷水9色精品| 久久欧美精品欧美久久欧美| 国产一区二区亚洲精品在线观看| 欧美色视频一区免费| 亚洲人成网站在线播| 午夜免费男女啪啪视频观看 | 日本-黄色视频高清免费观看| 美女大奶头视频| 国产黄a三级三级三级人| 亚洲精品影视一区二区三区av| 欧美色欧美亚洲另类二区| 精品久久久久久久久久免费视频| 在线天堂最新版资源| 少妇被粗大猛烈的视频| 极品教师在线免费播放| x7x7x7水蜜桃| 在线国产一区二区在线| 欧美+亚洲+日韩+国产| 日韩欧美三级三区| 春色校园在线视频观看| 老师上课跳d突然被开到最大视频| 国产精品99久久久久久久久| 久久人人精品亚洲av| 哪里可以看免费的av片| 亚洲va在线va天堂va国产| 午夜福利成人在线免费观看| 看免费成人av毛片| avwww免费| 国产精品女同一区二区软件 | 成人三级黄色视频| 免费观看人在逋| 国产精品美女特级片免费视频播放器| 日日夜夜操网爽| 中文亚洲av片在线观看爽| 午夜视频国产福利| 国产麻豆成人av免费视频| 搡老岳熟女国产| 亚洲第一区二区三区不卡| 一区二区三区激情视频| 成人毛片a级毛片在线播放| 免费在线观看影片大全网站| 在线观看av片永久免费下载| 日韩欧美 国产精品| 午夜福利18| 日韩精品有码人妻一区| 欧美黑人欧美精品刺激| 亚洲最大成人av| 久久亚洲真实| 亚洲国产色片| 久久久国产成人精品二区| 99久久成人亚洲精品观看| 三级毛片av免费| 国内精品久久久久久久电影| 成人一区二区视频在线观看| 亚洲精品在线观看二区| 嫩草影院精品99| 非洲黑人性xxxx精品又粗又长| 天堂av国产一区二区熟女人妻| 日本黄大片高清| 国产精品人妻久久久影院| 日韩高清综合在线| 亚洲在线自拍视频| 亚洲国产高清在线一区二区三| 我的女老师完整版在线观看| 美女cb高潮喷水在线观看| 欧美国产日韩亚洲一区| 动漫黄色视频在线观看| 天堂动漫精品| aaaaa片日本免费| 91在线观看av| 五月伊人婷婷丁香| 男女视频在线观看网站免费| 在线播放国产精品三级| 日本黄色视频三级网站网址| 精品久久国产蜜桃| 桃色一区二区三区在线观看| 日韩精品中文字幕看吧| 国产精品国产三级国产av玫瑰| 嫁个100分男人电影在线观看| 九九爱精品视频在线观看| 又黄又爽又免费观看的视频| 美女黄网站色视频| 精品人妻熟女av久视频| 欧美日韩国产亚洲二区| 3wmmmm亚洲av在线观看| 欧美zozozo另类| 亚洲avbb在线观看| 又紧又爽又黄一区二区| 亚洲18禁久久av| 亚洲欧美日韩高清专用| 大又大粗又爽又黄少妇毛片口| 国产高清视频在线播放一区| 欧美一区二区亚洲| 内地一区二区视频在线| 黄色日韩在线| 久久久久久久久大av| 久久久久九九精品影院| 欧美潮喷喷水| 91av网一区二区| 欧美成人性av电影在线观看| 亚洲第一电影网av| 国内少妇人妻偷人精品xxx网站| 成人特级av手机在线观看| 免费在线观看成人毛片| 天天一区二区日本电影三级| 高清日韩中文字幕在线| 中文字幕精品亚洲无线码一区| 在线观看舔阴道视频| 深夜a级毛片| 狠狠狠狠99中文字幕| 欧美极品一区二区三区四区| 日本黄色视频三级网站网址| 麻豆国产97在线/欧美| 国产中年淑女户外野战色| 成人永久免费在线观看视频| 色综合亚洲欧美另类图片| 久久九九热精品免费| 99精品在免费线老司机午夜| av在线观看视频网站免费| 狠狠狠狠99中文字幕| 亚洲第一电影网av| 欧美+亚洲+日韩+国产| 我要搜黄色片| 校园春色视频在线观看| 中文亚洲av片在线观看爽| 国产av不卡久久| 精品无人区乱码1区二区| 国产成人一区二区在线| 亚洲综合色惰| 中文字幕精品亚洲无线码一区| 熟妇人妻久久中文字幕3abv| 日韩欧美三级三区| 99在线视频只有这里精品首页| 色综合婷婷激情| 欧美日韩精品成人综合77777| 中亚洲国语对白在线视频| 淫妇啪啪啪对白视频| 婷婷精品国产亚洲av在线| 一区二区三区四区激情视频 | 亚洲成a人片在线一区二区| 少妇高潮的动态图| 色哟哟·www| 成人二区视频| 亚洲成人久久性| 制服丝袜大香蕉在线| 高清在线国产一区| 神马国产精品三级电影在线观看| 国模一区二区三区四区视频| 亚洲国产日韩欧美精品在线观看| 国产精品国产三级国产av玫瑰| 国产中年淑女户外野战色| 国产精品一区二区三区四区免费观看 | 国产视频一区二区在线看| 国产一区二区激情短视频| 女人被狂操c到高潮| 国产高清不卡午夜福利| 亚洲无线在线观看| 男女那种视频在线观看| 亚洲精品日韩av片在线观看| 桃红色精品国产亚洲av| 日本熟妇午夜| 色哟哟·www| 特大巨黑吊av在线直播| 亚洲专区中文字幕在线| 中国美女看黄片| 国产激情偷乱视频一区二区| av天堂在线播放| 久久精品综合一区二区三区| 国产精品1区2区在线观看.| 久久精品国产清高在天天线| 久久久久久久精品吃奶| 亚洲成a人片在线一区二区| 国产精品不卡视频一区二区| 村上凉子中文字幕在线| a级毛片a级免费在线| 成人av在线播放网站| 中出人妻视频一区二区| 18+在线观看网站| 一区二区三区高清视频在线| 波野结衣二区三区在线| 中国美女看黄片| 男人和女人高潮做爰伦理| 特大巨黑吊av在线直播| 亚洲成av人片在线播放无| 欧美日韩瑟瑟在线播放| 亚洲成人中文字幕在线播放| 国产色爽女视频免费观看| 欧美日韩国产亚洲二区| 久久香蕉精品热| 成人国产综合亚洲| 亚洲成人久久性| 国产国拍精品亚洲av在线观看| 亚洲精品影视一区二区三区av| 成人亚洲精品av一区二区| 变态另类成人亚洲欧美熟女| 国产高清视频在线观看网站| 国产人妻一区二区三区在| 国产探花极品一区二区| 亚洲av美国av| 啪啪无遮挡十八禁网站| 免费人成在线观看视频色| 亚洲国产精品sss在线观看| 日韩欧美精品免费久久| 日日摸夜夜添夜夜添小说| 午夜福利18| 欧美日韩中文字幕国产精品一区二区三区| 国内久久婷婷六月综合欲色啪| 动漫黄色视频在线观看| 嫩草影院新地址| 校园春色视频在线观看| 无遮挡黄片免费观看| 久久久久久久精品吃奶| 欧美+日韩+精品| 一a级毛片在线观看| 乱系列少妇在线播放| 尾随美女入室| 国产精品一区二区三区四区久久| 成人鲁丝片一二三区免费| 成人精品一区二区免费| 亚洲自拍偷在线| 色综合亚洲欧美另类图片| 非洲黑人性xxxx精品又粗又长| 老司机深夜福利视频在线观看| 亚洲国产欧洲综合997久久,| 在线看三级毛片| 动漫黄色视频在线观看| 国产一区二区三区在线臀色熟女| 国内精品久久久久精免费| 人人妻人人澡欧美一区二区| 一本久久中文字幕| netflix在线观看网站| 国产91精品成人一区二区三区| 麻豆国产av国片精品| 国产精品乱码一区二三区的特点| 少妇的逼好多水| 最后的刺客免费高清国语| 尾随美女入室| 久久久久久久久久黄片| 久久精品国产亚洲av天美| 女同久久另类99精品国产91| 亚洲国产精品成人综合色| 日本一本二区三区精品| 日韩欧美一区二区三区在线观看| 三级毛片av免费| 一区二区三区激情视频| 一级毛片久久久久久久久女| 亚洲中文日韩欧美视频| 男女做爰动态图高潮gif福利片| 亚洲欧美激情综合另类| 成年版毛片免费区| 亚洲性夜色夜夜综合| 欧美另类亚洲清纯唯美| 人人妻,人人澡人人爽秒播| 91在线精品国自产拍蜜月| a级一级毛片免费在线观看| 亚洲欧美日韩无卡精品| 一进一出抽搐动态| 国产熟女欧美一区二区| 亚洲七黄色美女视频| 久久久久久久亚洲中文字幕| 成人av一区二区三区在线看| 69人妻影院| 午夜福利成人在线免费观看| 国产午夜精品久久久久久一区二区三区 | 免费看日本二区| 我的老师免费观看完整版| 亚洲欧美日韩卡通动漫| 成人综合一区亚洲| 亚洲美女黄片视频| 少妇裸体淫交视频免费看高清| 免费在线观看日本一区| 国产精品无大码| 简卡轻食公司| 变态另类成人亚洲欧美熟女| 男女视频在线观看网站免费| 亚洲精华国产精华液的使用体验 | 亚洲电影在线观看av| 亚洲一级一片aⅴ在线观看| 性欧美人与动物交配| 又紧又爽又黄一区二区| 欧美成人一区二区免费高清观看| 欧美日韩国产亚洲二区| 一级毛片久久久久久久久女| 中文字幕久久专区| 长腿黑丝高跟| 干丝袜人妻中文字幕| 免费在线观看影片大全网站| а√天堂www在线а√下载| 国产在线男女| 久久这里只有精品中国| 亚洲av电影不卡..在线观看| 我的老师免费观看完整版| 俺也久久电影网| 99久久精品一区二区三区| 精品乱码久久久久久99久播| 特大巨黑吊av在线直播| 午夜福利欧美成人| 人妻少妇偷人精品九色| 午夜福利在线观看免费完整高清在 | 99在线视频只有这里精品首页| 伦理电影大哥的女人| 国产真实伦视频高清在线观看 | 极品教师在线视频| 国产精品国产高清国产av| 国产精品女同一区二区软件 | 精品午夜福利在线看| 亚洲欧美激情综合另类| 男女啪啪激烈高潮av片| 一边摸一边抽搐一进一小说| 国产精品一区二区三区四区免费观看 | 12—13女人毛片做爰片一| 午夜福利在线观看吧| 亚洲成av人片在线播放无| 久久久久久国产a免费观看| 亚洲av电影不卡..在线观看| 亚洲精品日韩av片在线观看| 国产麻豆成人av免费视频| 国产女主播在线喷水免费视频网站 | 国产爱豆传媒在线观看| 真人一进一出gif抽搐免费| 两性午夜刺激爽爽歪歪视频在线观看| 狂野欧美激情性xxxx在线观看| 日本在线视频免费播放| 婷婷六月久久综合丁香| 又爽又黄无遮挡网站| 婷婷精品国产亚洲av| 国产私拍福利视频在线观看| 最近视频中文字幕2019在线8| 久久久久性生活片| 黄色欧美视频在线观看| 免费av不卡在线播放| 麻豆久久精品国产亚洲av| 九九久久精品国产亚洲av麻豆| 一区二区三区四区激情视频 | 婷婷亚洲欧美| 九九久久精品国产亚洲av麻豆| 成人性生交大片免费视频hd| 亚洲欧美日韩高清在线视频| 日韩欧美 国产精品| 亚洲av一区综合| 桃色一区二区三区在线观看| 亚洲不卡免费看| av在线蜜桃| 亚洲无线在线观看| a级一级毛片免费在线观看| 国产精品久久久久久精品电影| 免费黄网站久久成人精品| 人人妻,人人澡人人爽秒播| 国产中年淑女户外野战色| av.在线天堂| 国产亚洲精品久久久com| 国产精品国产高清国产av| 欧美激情在线99| 色综合婷婷激情| 亚洲最大成人av| 国产成人a区在线观看| 久久中文看片网| 人妻久久中文字幕网| 97人妻精品一区二区三区麻豆| 精品一区二区三区视频在线| 国产三级中文精品| 男人和女人高潮做爰伦理| 麻豆久久精品国产亚洲av| 嫩草影院新地址| 人妻制服诱惑在线中文字幕| 亚洲av成人av| 啦啦啦观看免费观看视频高清| 老熟妇仑乱视频hdxx| 别揉我奶头~嗯~啊~动态视频| 成人永久免费在线观看视频| 嫩草影院新地址| 一进一出抽搐gif免费好疼| 精品乱码久久久久久99久播| 精品久久久久久久久久免费视频| 亚洲综合色惰| 国内精品久久久久精免费| 草草在线视频免费看| 又爽又黄a免费视频| 午夜a级毛片| 国产精品永久免费网站| 搡老岳熟女国产| 99热这里只有是精品在线观看| 日本与韩国留学比较| 1024手机看黄色片| 一区二区三区高清视频在线| 国内精品宾馆在线| 91午夜精品亚洲一区二区三区 | 人妻夜夜爽99麻豆av| 毛片一级片免费看久久久久 | 精品一区二区免费观看| 午夜久久久久精精品| 日本色播在线视频| 欧洲精品卡2卡3卡4卡5卡区| 人人妻人人澡欧美一区二区| 欧美另类亚洲清纯唯美| 日日撸夜夜添| 亚洲第一电影网av| 日本精品一区二区三区蜜桃| 精品久久久久久久久久久久久| 日日撸夜夜添| 高清在线国产一区| 国产国拍精品亚洲av在线观看| 精品午夜福利视频在线观看一区| 婷婷色综合大香蕉| 色尼玛亚洲综合影院| 麻豆成人午夜福利视频| 黄色日韩在线| 搡老妇女老女人老熟妇| 亚洲,欧美,日韩| 久久久久久久精品吃奶| 免费看光身美女| 欧美激情在线99| 欧美激情国产日韩精品一区| 久久天躁狠狠躁夜夜2o2o| 久久久久免费精品人妻一区二区| 两个人视频免费观看高清| 美女被艹到高潮喷水动态| 美女高潮喷水抽搐中文字幕| 国产精品电影一区二区三区| 男女边吃奶边做爰视频| 欧美激情国产日韩精品一区| 免费观看人在逋| h日本视频在线播放| 观看美女的网站| 国产黄片美女视频| 中国美女看黄片| 在线观看66精品国产| 日韩亚洲欧美综合| 永久网站在线| 国产高清有码在线观看视频| 免费看光身美女| 国产精品人妻久久久影院| 欧美xxxx性猛交bbbb| 国产三级在线视频| 久9热在线精品视频| 欧美+亚洲+日韩+国产| 亚洲一区高清亚洲精品| 色在线成人网| 亚洲美女搞黄在线观看 | 精品久久久久久,| 欧美成人免费av一区二区三区| 久久久成人免费电影| 中文在线观看免费www的网站| 国产黄a三级三级三级人| 亚洲三级黄色毛片| 久久久久久国产a免费观看| 欧美最黄视频在线播放免费| 俄罗斯特黄特色一大片| 直男gayav资源| 欧美黑人欧美精品刺激| 国产久久久一区二区三区| 十八禁网站免费在线| 午夜日韩欧美国产| 乱人视频在线观看| av天堂中文字幕网| www.www免费av| 精品人妻偷拍中文字幕| 午夜福利视频1000在线观看| 老熟妇仑乱视频hdxx| 亚洲一区高清亚洲精品| 国产一区二区在线观看日韩| 国内精品久久久久精免费| 亚洲熟妇中文字幕五十中出| 欧美激情国产日韩精品一区| 有码 亚洲区| 国产伦在线观看视频一区| 久久午夜福利片| 熟女电影av网| 日本撒尿小便嘘嘘汇集6| 国产三级中文精品| 内地一区二区视频在线| 国产亚洲91精品色在线| 赤兔流量卡办理| 丝袜美腿在线中文| 亚洲欧美日韩东京热| 美女cb高潮喷水在线观看| 嫩草影视91久久| x7x7x7水蜜桃| 国产欧美日韩精品亚洲av| 中国美白少妇内射xxxbb| 国产一区二区三区在线臀色熟女| 国产精品1区2区在线观看.| 好男人在线观看高清免费视频| 22中文网久久字幕| 婷婷丁香在线五月| 国产高清激情床上av| 午夜精品一区二区三区免费看| 男人舔女人下体高潮全视频| 免费电影在线观看免费观看| 中文字幕精品亚洲无线码一区| 国产精品亚洲一级av第二区| 俺也久久电影网| a级一级毛片免费在线观看| 亚洲美女视频黄频| 久久精品国产99精品国产亚洲性色| 小说图片视频综合网站| 亚洲av美国av| 精品国内亚洲2022精品成人| 亚洲内射少妇av| 联通29元200g的流量卡| 一区二区三区四区激情视频 | 九色成人免费人妻av| 国产精品亚洲美女久久久| 欧美性感艳星| av.在线天堂| a级毛片a级免费在线| 老熟妇乱子伦视频在线观看| 男人和女人高潮做爰伦理| 男女啪啪激烈高潮av片| 日本在线视频免费播放| 久久精品夜夜夜夜夜久久蜜豆| 成人欧美大片| 毛片一级片免费看久久久久 | 深爱激情五月婷婷| 91狼人影院| 美女cb高潮喷水在线观看| 免费观看在线日韩| 啦啦啦啦在线视频资源| 美女高潮喷水抽搐中文字幕| av专区在线播放| 成人午夜高清在线视频| 搞女人的毛片| 久久久久九九精品影院| av天堂在线播放| 成熟少妇高潮喷水视频| 精品久久国产蜜桃| 韩国av一区二区三区四区| 亚洲av熟女| 国产女主播在线喷水免费视频网站 | 日韩欧美精品v在线| av黄色大香蕉| 天堂√8在线中文| 韩国av一区二区三区四区| 久久久久久久精品吃奶| 99视频精品全部免费 在线| 亚洲欧美激情综合另类| 99热网站在线观看| 国产精品一区二区免费欧美| 91在线精品国自产拍蜜月| 老熟妇乱子伦视频在线观看| 在线免费观看不下载黄p国产 | 99热6这里只有精品| 成人国产麻豆网| 久久久久精品国产欧美久久久| 深夜精品福利| 日韩在线高清观看一区二区三区 | 午夜精品久久久久久毛片777| 日韩精品有码人妻一区| 亚洲天堂国产精品一区在线| 少妇裸体淫交视频免费看高清| 动漫黄色视频在线观看| 一级黄片播放器| 美女黄网站色视频| 欧美极品一区二区三区四区| 亚洲av成人av| 国语自产精品视频在线第100页| 免费人成视频x8x8入口观看| 日韩欧美 国产精品| 久久精品国产亚洲av天美| 亚洲国产欧洲综合997久久,| 亚洲av五月六月丁香网| 久99久视频精品免费| 亚洲成人精品中文字幕电影| 免费人成在线观看视频色| 国产国拍精品亚洲av在线观看| 国产毛片a区久久久久| 中文字幕精品亚洲无线码一区| 五月伊人婷婷丁香| 亚洲中文日韩欧美视频| 国产精华一区二区三区| 在线观看av片永久免费下载| 色尼玛亚洲综合影院| 黄色视频,在线免费观看| 色综合色国产| xxxwww97欧美| 日本 av在线| 国内精品久久久久精免费| 久久亚洲真实| 久久香蕉精品热| 老司机福利观看| 中文字幕熟女人妻在线| 白带黄色成豆腐渣| 夜夜夜夜夜久久久久| 99在线人妻在线中文字幕| 伦精品一区二区三区| 人妻少妇偷人精品九色| 国产私拍福利视频在线观看| 国产在线男女| 国产亚洲精品久久久com| 精品国产三级普通话版| 亚洲人成网站高清观看| 男女视频在线观看网站免费|