• <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 ?

    利用無監(jiān)督預(yù)訓(xùn)練的軌跡深度關(guān)聯(lián)

    2024-04-30 00:33:30李雨航
    電訊技術(shù) 2024年4期
    關(guān)鍵詞:注意力軌跡準(zhǔn)確率

    李 平,李雨航

    (中國西南電子技術(shù)研究所,成都 610036)

    0 引 言

    在空、海戰(zhàn)場監(jiān)視系統(tǒng)的常規(guī)性執(zhí)勤任務(wù)中,由于雷達(dá)探測結(jié)果存在系統(tǒng)性誤差[1],使得同一真實目標(biāo)會產(chǎn)生多條空間位置平行或相交的軌跡。軌跡關(guān)聯(lián)是將此類誤差軌跡判斷為一個目標(biāo),對于監(jiān)視分析任務(wù)尤為重要。

    軌跡關(guān)聯(lián)一般基于時空相似度算法結(jié)合聚類的方式,核心在于使用高度量性的相似度算法。文獻(xiàn)[2]利用最長公共子序列度量軌跡的相似度,并通過具有噪聲的基于密度的聚類(Density-based Spatial Clustering of Applications with Noise,DBSCAN)算法對出租車軌跡進(jìn)行聚類。文獻(xiàn)[3]通過計算子軌跡間的水平距離、垂直距離、角度距離來度量軌跡的相似性,并提出軌跡空間聚類(Trajectory Ordering Points to Identify the Clustering Structure,TR-OPTICS)算法用于軌跡聚類。這些方法對噪聲具有較強(qiáng)的魯棒性,但僅考慮軌跡點序列的空間位置來衡量相似度,沒有從時間維度進(jìn)行度量,導(dǎo)致準(zhǔn)確度不高。文獻(xiàn)[4]結(jié)合時空屬性提出時間加權(quán)相似度(Time Weighted Similarity,TWS)和空間加權(quán)相似度(Space Weighted Similarity,SWS)有效提升軌跡相似度的準(zhǔn)確性。該方法通過調(diào)整相似度和距離等閾值參數(shù)能夠高效地處理實時軌跡關(guān)聯(lián),但其準(zhǔn)確性受參數(shù)設(shè)置的影響較大,遷移性弱,且忽略了軌跡內(nèi)部各點的關(guān)聯(lián)性以及軌跡的形狀特征。

    隨著深度學(xué)習(xí)的發(fā)展,通過構(gòu)建神經(jīng)網(wǎng)絡(luò)模型,自動提取數(shù)據(jù)深度特征,在信號處理、自然語言處理等領(lǐng)域都得到了廣泛的應(yīng)用。文獻(xiàn)[5]使用長短時記憶(Long Short-Term Memory,LSTM)神經(jīng)網(wǎng)絡(luò)提取干擾信號的時域、頻域特征,完成特征融合后進(jìn)行分類識別。文獻(xiàn)[6]利用循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)模型對人員軌跡進(jìn)行分類,并設(shè)計多種檢測評估方式對人員位置進(jìn)行估計。文獻(xiàn)[7]通過構(gòu)建雙向注意力機(jī)制模型,設(shè)計遮蔽語言模型(Masked Language Model,MLM)與下句預(yù)測(Next Sentence Prediction,NSP)相結(jié)合的預(yù)訓(xùn)練任務(wù),以無監(jiān)督的方式訓(xùn)練出高精度的預(yù)訓(xùn)練模型。文獻(xiàn)[8]通過增加訓(xùn)練數(shù)據(jù)擴(kuò)大向量編碼長度,并僅使用遮蔽語言模型設(shè)計預(yù)訓(xùn)練任務(wù),訓(xùn)練得到更魯棒的預(yù)訓(xùn)練模型。文獻(xiàn)[9]通過構(gòu)建更簡潔的詞嵌入層大幅度減少模型參數(shù)量,并設(shè)計更具學(xué)習(xí)難度的序列順序預(yù)測任務(wù)(Sentence Order Prediction,SOP),使模型在維持原有性能的前提下參數(shù)量大幅減小。利用大量無標(biāo)注領(lǐng)域數(shù)據(jù)以無監(jiān)督方式作預(yù)訓(xùn)練,使用少量標(biāo)注數(shù)據(jù)對預(yù)訓(xùn)練模型參數(shù)進(jìn)行微調(diào)成為當(dāng)今的主流解決方案。然而,在軌跡關(guān)聯(lián)領(lǐng)域,基于深度學(xué)習(xí)的預(yù)訓(xùn)練模型應(yīng)用較少。

    針對時空相似度算法參數(shù)敏感遷移性差的問題,本文采用深度學(xué)習(xí)方法,提出一種基于無監(jiān)督預(yù)訓(xùn)練的軌跡自動關(guān)聯(lián)方法。利用Geohash經(jīng)緯度編碼算法表征軌跡特征,構(gòu)造雙向自注意力機(jī)制神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對無標(biāo)注軌跡數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練;構(gòu)建孿生網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練少量標(biāo)注軌跡對,得到高度量性能的軌跡匹配模型。采用Geolife GPS軌跡數(shù)據(jù)集[16-18]進(jìn)行模型驗證,結(jié)果表明,基于深度學(xué)習(xí)預(yù)訓(xùn)練的軌跡自動關(guān)聯(lián)效果在軌跡關(guān)聯(lián)領(lǐng)域達(dá)到最優(yōu)。

    1 軌跡數(shù)據(jù)預(yù)處理

    1.1 軌跡數(shù)據(jù)去噪

    傳感器捕獲的軌跡數(shù)據(jù)可表示為T=[(p1,t1),(p2,t2),…,(pn,tn)],其中(pi,ti)表示在ti時刻(t1

    (1)

    式中:pk表示軌跡中的第k個點;l為滑窗窗長。當(dāng)處理第k個點時,將該點與其前l(fā)-1個點一起求平均得到濾波后的點。從軌跡起始點開始,以步長為1進(jìn)行滑窗,依次處理各點得到去噪后軌跡。

    1.2 軌跡數(shù)據(jù)壓縮

    軌跡壓縮能夠大幅度去除冗余軌跡點,保留關(guān)鍵軌跡信息,減小軌跡處理計算量,并提升軌跡數(shù)據(jù)處理的魯棒性。Douglas-Peucker算法[11]被廣泛使用于軌跡數(shù)據(jù)壓縮中,軌跡壓縮過程如圖1所示。

    圖1 軌跡壓縮過程Fig.1 The process of trajectory compression

    軌跡序列的起始點被選作錨點,結(jié)束點被選作浮動點。計算兩點之間所有軌跡點到其連線的垂直距離,篩選出其中的最大值,如最大值超過設(shè)置的距離閾值,該最大值點被認(rèn)定為特征分割點并儲存。從特征分割點處將軌跡分為兩段,將前段的特征分割點設(shè)置為浮動點,后段的特征分割點設(shè)置為錨點。對每段子軌跡都進(jìn)行上述步驟的遞歸操作,直到所有距離都小于閾值。存儲的所有特征分割點以及原始始末點所構(gòu)成的軌跡按照時序排列,即為壓縮后的軌跡。該算法只考慮了軌跡空間關(guān)系,忽略了時間因素的影響。時間比率算法(Top-Down Time-Ratio Algorithm,TD-TR)[12]將考慮時間因素的距離計算方式加入Douglas-Peucker算法中,計算時間相對距離的方式如圖2所示。

    圖2 時間相對距離Fig.2 The relative distance of time

    (2)

    1.3 Geohash軌跡預(yù)處理

    軌跡序列一般基于軌跡點的經(jīng)緯度表征為二維向量形式,該方式所能表示的信息量較少。針對神經(jīng)網(wǎng)絡(luò)模型的特征提取,本文的軌跡高維向量轉(zhuǎn)化方法分為兩步:首先基于Geohash編碼將軌跡點編碼為字符串并構(gòu)成編碼字典;其次隨機(jī)初始化編碼向量映射矩陣,完成軌跡的向量轉(zhuǎn)化。

    如圖3所示,Geohash編碼基于Base32編碼通過遞歸二分的方式將二維經(jīng)緯度轉(zhuǎn)化成字符串,每一個字符串代表某一空間區(qū)域,編碼位數(shù)越多區(qū)域越小,定位更精準(zhǔn),矩形區(qū)域中的所有坐標(biāo)點都共享該字符串[14]。

    圖3 Geohash編碼示例Fig.3 Example of Geohash encoding

    對軌跡數(shù)據(jù)編碼并構(gòu)造編碼字典,再隨機(jī)初始化Geohash向量嵌入矩陣,利用向量嵌入將軌跡序列映射至高維向量空間。軌跡序列由二維經(jīng)緯度離散向量轉(zhuǎn)化為高維連續(xù)區(qū)域柵格編碼向量,使得模型更容易學(xué)習(xí)到軌跡內(nèi)部以及軌跡之間的關(guān)系表示。本文對輸入軌跡完整預(yù)處理方式如圖4所示。

    圖4 軌跡預(yù)處理流程Fig.4 The pre-processing flow of trajectory

    原始軌跡數(shù)據(jù)依次通過均值濾波器剔除軌跡噪聲點,通過TD-TR算法壓縮軌跡,完成軌跡時空預(yù)處理。其次,對壓縮后軌跡數(shù)據(jù)做特征工程處理,利用Geohash編碼得到軌跡中所有點的編碼表示;構(gòu)建窗長為2、步長為1的滑窗,按照時間順序從起始點開始對軌跡數(shù)據(jù)進(jìn)行滑窗操作,當(dāng)滑窗內(nèi)兩軌跡點對應(yīng)的Geohash編碼不一致時,使用遞歸二分補(bǔ)點方式在兩軌跡點之間補(bǔ)點并按照時間順序排列,直到新增點對應(yīng)的Geohash編碼與其鄰接點保持一致;依次遍歷補(bǔ)點后的軌跡數(shù)據(jù)去除鄰接點中Geohash編碼重復(fù)的點。最后,整理全部軌跡點的Geohash編碼去重并保存為編碼字典。上述方式能夠豐富原始軌跡數(shù)據(jù)特征,減弱不同物理設(shè)備采樣率、精度不同所造成的數(shù)據(jù)失真,并且將二維軌跡點數(shù)據(jù)轉(zhuǎn)化為契合神經(jīng)網(wǎng)絡(luò)模型的輸入形式。

    2 模型構(gòu)建與訓(xùn)練

    2.1 自注意力機(jī)制神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

    自注意力機(jī)制神經(jīng)網(wǎng)絡(luò)模型(Transformer)[7]通過引入自注意力機(jī)制,接收一個向量序列并產(chǎn)生一個重新加權(quán)的向量序列,在機(jī)器翻譯領(lǐng)域取得了重大突破。本文基于Transformer的編碼器結(jié)構(gòu)構(gòu)建基于自注意力機(jī)制的特征提取結(jié)構(gòu),提取軌跡數(shù)據(jù)深度特征。優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示。

    圖5 自注意力編碼器結(jié)構(gòu)Fig.5 Self-attention encoder structure

    首先,原始輸入軌跡信號通過序列嵌入層映射為高維向量輸入,通過線性尺寸調(diào)節(jié)層減小向量尺寸,降低模型計算復(fù)雜度。其次,依次通過查詢線性轉(zhuǎn)換層、鍵線性轉(zhuǎn)換層、值線性轉(zhuǎn)換層得到查詢矩陣、鍵矩陣、值矩陣,利用查詢矩陣與鍵矩陣求得注意力分?jǐn)?shù)矩陣。可用下式來表示注意力分?jǐn)?shù)的計算過程:

    (3)

    式中:Q表示查詢矩陣;K表示鍵矩陣;dk表示向量隱藏層大小;softmax()為激活函數(shù),可表示為

    (4)

    2.2 基于遮蔽預(yù)測的軌跡預(yù)訓(xùn)練

    基于大規(guī)模數(shù)據(jù)量的無監(jiān)督預(yù)訓(xùn)練任務(wù),在自然語言處理領(lǐng)域能大幅度提升各類下游任務(wù)的性能[7-9]。本文對無標(biāo)注軌跡數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練,提升模型對軌跡深度特征提取能力。預(yù)訓(xùn)練過程如圖6所示。

    圖6 預(yù)訓(xùn)練過程Fig.6 Pre-training process

    原始軌跡數(shù)據(jù)通過Geohash編碼轉(zhuǎn)化為編碼序列;對編碼序列進(jìn)行隨機(jī)遮蔽操作,隨機(jī)選中編碼序列中15%的部分,對選中的編碼以80%的概率替換為字符MASK,10%的概率保留,10%的概率替換為字典中任意一個編碼[8];將遮蔽后的編碼序列通過自注意力編碼器得到考慮編碼序列各部分重要性的加權(quán)輸出;通過全連接分類層得到每一個編碼位置對應(yīng)的預(yù)測結(jié)果;將MASK編碼對應(yīng)的預(yù)測結(jié)果輸入至交叉熵?fù)p失函數(shù)計算損失值。交叉熵?fù)p失函數(shù)可表示為

    (5)

    式中:y是樣本x屬于某一個類別的真實概率;fθ(x)是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)輸出的樣本屬于某一類別的預(yù)測分?jǐn)?shù)。損失值L用來衡量預(yù)測結(jié)果與真實結(jié)果的差異性。最后,利用Adam優(yōu)化器更新自注意力編碼器以及全連接分類層的模型參數(shù)。重復(fù)以上過程,完成模型預(yù)訓(xùn)練,提升對軌跡數(shù)據(jù)的向量編碼能力。

    2.3 孿生匹配網(wǎng)絡(luò)結(jié)構(gòu)

    構(gòu)造帶標(biāo)簽的軌跡對匹配數(shù)據(jù)集,基于孿生網(wǎng)絡(luò)結(jié)構(gòu)[13],構(gòu)建孿生匹配神經(jīng)網(wǎng)絡(luò);通過訓(xùn)練軌跡對匹配任務(wù),對預(yù)訓(xùn)練后的自注意力模型進(jìn)行參數(shù)微調(diào)。孿生匹配神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

    圖7 孿生匹配網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Siamese matching network structure

    軌跡對數(shù)據(jù)依次通過預(yù)訓(xùn)練后的自注意力模型輸出重新加權(quán)求和后的軌跡點高維向量集合;利用平均池化層,從軌跡點的維度對向量求平均,降低向量尺寸,分別得到兩軌跡的向量表示u,v;將兩軌跡向量以及兩者的絕對偏差向量|u-v|橫向拼接得到軌跡對向量;通過全連接層輸出軌跡對相似值,進(jìn)一步利用均方差損失函數(shù)求得訓(xùn)練損失值,該過程可表示為

    (6)

    式中:y是樣本x屬于某一類別的真實概率;fθ(x)是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)輸出的樣本屬于某一類別的預(yù)測分?jǐn)?shù)。最后,在反向傳播過程中更新自注意力模型與全連接分類器的參數(shù)。重復(fù)以上過程,完成孿生匹配網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)微調(diào),使模型能夠輸出軌跡對信號的相似度分?jǐn)?shù)。

    3 實驗結(jié)果

    為了評估特征工程方式、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、預(yù)訓(xùn)練方式對軌跡信號匹配能力的影響以及與時空相似度算法相比深度學(xué)習(xí)的有效性,本文根據(jù)軌跡深度關(guān)聯(lián)的流程進(jìn)行以下3組實驗:

    實驗1,利用Geohash向量嵌入與直接使用經(jīng)緯度完成特征工程進(jìn)行軌跡匹配;

    實驗2,分別構(gòu)造自注意力神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(Transformer)、長短時記憶(LSTM)神經(jīng)網(wǎng)絡(luò)、雙向長短時記憶(Bidirectional LSTM,Bi-LSTM)神經(jīng)網(wǎng)絡(luò)作為特征提取器進(jìn)行軌跡匹配;

    實驗3,引入預(yù)訓(xùn)練方式與直接使用標(biāo)注軌跡對數(shù)據(jù)集訓(xùn)練,以及使用實時場景表現(xiàn)優(yōu)秀的空間加權(quán)相似度(Space Weighted Similarity,SWS)算法[3]進(jìn)行軌跡匹配。

    實驗數(shù)據(jù)集采用微軟亞洲研究院公開的用戶生活軌跡GPS數(shù)據(jù)集(Geolife)[16-18]。該數(shù)據(jù)集采集了182位用戶為期5年的生活軌跡,共計17 621條軌跡,涵蓋了中國30個城市,出行方式包括步行、慢跑、自行車、公交車、自駕、火車、飛機(jī)。數(shù)據(jù)的采集使用多種GPS記錄設(shè)備,平均采樣率為1~5 s或者5~10 m,軌跡點信息包含經(jīng)度、緯度。為構(gòu)造匹配軌跡集,從原始數(shù)據(jù)集中任意選取1 000條軌跡,依次對軌跡數(shù)據(jù)進(jìn)行采樣間隔為2,4,6,8點的重采樣。為增強(qiáng)數(shù)據(jù)魯棒性,將信噪比設(shè)置為50 dB構(gòu)造經(jīng)度、緯度的高斯白噪聲添加至軌跡數(shù)據(jù)。以5%的概率任意選取軌跡點并以5 000~10 000 m的距離偏差構(gòu)造異常點。經(jīng)過上述處理后,每條原始軌跡構(gòu)造得到4條關(guān)聯(lián)軌跡,共計5 000條關(guān)聯(lián)軌跡集。將匹配的軌跡數(shù)據(jù)兩兩組合得到10 000對正樣本軌跡對,同時篩選時間與空間距離較為接近的負(fù)樣本對,構(gòu)造得到10 000對負(fù)樣本軌跡對,共計20 000對關(guān)聯(lián)軌跡對數(shù)據(jù),正負(fù)樣本對比例為1∶1,按照9∶1的比例劃分為訓(xùn)練集與測試集。

    在神經(jīng)網(wǎng)絡(luò)訓(xùn)練方面,使用Python語言和Pytorch深度學(xué)習(xí)框架,學(xué)習(xí)率設(shè)置為2×10-5,batchsize設(shè)置為40,epoch設(shè)置為20。

    3.1 兩類特征工程方式的軌跡對匹配準(zhǔn)確率

    構(gòu)造自注意力機(jī)制模型用于訓(xùn)練與測試,隱藏層向量尺寸設(shè)置為128,隱藏層深度設(shè)置為4,多頭注意力數(shù)目設(shè)置為32。采用Geohash向量嵌入方式時,編碼字典基于Geolife原始17 621條軌跡數(shù)據(jù)集構(gòu)造,嵌入向量尺寸設(shè)置為32。上述參數(shù)為實驗過程的最優(yōu)設(shè)置。通過線性層將嵌入向量尺度轉(zhuǎn)化為隱藏層向量尺度;采用經(jīng)緯度構(gòu)造方式時,將經(jīng)緯度直接作為向量輸入,通過線性層將其向量尺度調(diào)節(jié)為與隱藏層相同。測試準(zhǔn)確率隨訓(xùn)練迭代輪數(shù)的變化情況如圖8所示。

    圖8 匹配準(zhǔn)確率變化曲線(實驗1)Fig.8 Matching accuracy in Experiment 1

    使用Geohash向量嵌入方式在2 000軌跡對測試集上達(dá)到94.2%的匹配準(zhǔn)確率相較于直接使用經(jīng)緯度作為向量輸入提升14個百分點。5位的Geohash編碼每一個編碼柵格大約能夠表示10 km2,即大致5 100萬個編碼就能表征整個地球,與之相比4位精度的經(jīng)緯度則需要約648億個組合,實際情況會更加稀疏,使得模型的訓(xùn)練難度大幅度提升,因此Geohash向量嵌入方式更有利于模型學(xué)習(xí)軌跡點之間的關(guān)聯(lián)關(guān)系。

    3.2 3類神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為特征提取的軌跡對匹配準(zhǔn)確率

    基于Geohash向量嵌入完成特征工程,分別構(gòu)建自注意力神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、長短時記憶神經(jīng)網(wǎng)絡(luò)、雙向長短時記憶神經(jīng)網(wǎng)絡(luò)作為特征提取器,隱藏層向量尺寸都設(shè)置為128,隱藏層深度都設(shè)置為4,自注意力神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的多頭注意力數(shù)目設(shè)置為32。測試準(zhǔn)確率隨訓(xùn)練迭代輪數(shù)的變化情況如圖9所示。

    圖9 匹配準(zhǔn)確率變化曲線(實驗2)Fig.9 Matching accuracy in Experiment 2

    自注意力神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(Transformer)、雙向長短時記憶神經(jīng)網(wǎng)絡(luò)(Bi-LSTM)、長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM)在2 000軌跡對測試集上的匹配準(zhǔn)確率分別為94.2%,90.4%,87.9%。LSTM為單向的循環(huán)神經(jīng)網(wǎng)絡(luò)編碼器,僅考慮了前序序列對后序序列的影響;Bi-LSTM基于前向LSTM與后向LSTM拼接而成,考慮了上下文序列的影響,但是對長距離的影響關(guān)系存在遺忘性;Transformer引入自注意力機(jī)制,考慮上下文序列的影響,基于注意力矩陣度量不同位置序列之間的影響關(guān)系,不會因為距離因素產(chǎn)生遺忘,因此,Transformer編碼器更適合對軌跡序列的特征編碼。

    3.3 兩類訓(xùn)練方式和SWS算法的航跡對匹配準(zhǔn)確率

    基于Geohash向量嵌入完成特征工程構(gòu)造自注意力機(jī)制模型,隱藏層向量尺寸設(shè)置為128,隱藏層深度設(shè)為4,多頭注意力數(shù)目設(shè)置為32。基于Geolife原始17 621條軌跡數(shù)據(jù)集作預(yù)訓(xùn)練,并基于18 000對匹配軌跡對訓(xùn)練集對預(yù)訓(xùn)練后的模型進(jìn)行參數(shù)微調(diào);SWS算法距離閾值分別設(shè)置為500 m,1 000 m,1 500 m?;? 000對匹配軌跡對測試集進(jìn)行測試,測試準(zhǔn)確率隨訓(xùn)練迭代輪數(shù)的變化情況如圖10所示。

    圖10 匹配準(zhǔn)確率變化曲線(實驗3)Fig.10 Matching accuracy in Experiment 3

    SWS算法在距離閾值設(shè)置為1 000 m時性能最佳。預(yù)訓(xùn)練結(jié)合參數(shù)微調(diào)的方式比直接使用標(biāo)注軌跡訓(xùn)練匹配準(zhǔn)確率提升2個百分點,比SWS-1000算法匹配準(zhǔn)確率率提升5個百分點。SWS算法具有較為優(yōu)異的基線能力,但其對距離閾值的設(shè)置較為敏感,泛用能力較弱。隨機(jī)掩碼預(yù)訓(xùn)練任務(wù)同樣適用于軌跡序列,此任務(wù)為無監(jiān)督不需要人工整理訓(xùn)練數(shù)據(jù)集,可以提供大數(shù)據(jù)量的軌跡數(shù)據(jù)作為預(yù)訓(xùn)練數(shù)據(jù)集,使得模型更好地學(xué)習(xí)軌跡數(shù)據(jù)的特征分布,預(yù)訓(xùn)練后的模型加強(qiáng)了下游軌跡匹配的模型基準(zhǔn)能力。

    3組實驗綜合匹配準(zhǔn)確率如表1所示。從本文實驗數(shù)據(jù)可以看出,從特征工程的角度比較,使用Geohash向量嵌入方式提升模型匹配性能14個百分點,向量嵌入的特征工程方式更能表示軌跡數(shù)據(jù)的特征結(jié)構(gòu);從模型結(jié)構(gòu)的角度比較,Bi-LSTM比LSTM的匹配性能高2個百分點,Transformer相較Bi-LSTM匹配性能提升4個百分點,自注意力機(jī)制的注意力加權(quán)求和方式更能提取關(guān)鍵特征信息;從訓(xùn)練方式的角度比較,預(yù)訓(xùn)練參數(shù)微調(diào)方式,相比直接訓(xùn)練匹配模型,模型的收斂速度更快,并提升匹配性能2個百分點,預(yù)訓(xùn)練方式增強(qiáng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對軌跡數(shù)據(jù)的特征表示能力;從算法層面比較,預(yù)訓(xùn)練微調(diào)方式相較SWS算法提升5個百分點匹配準(zhǔn)確率,時空相似度算法根據(jù)不同的軌跡點分布情況需調(diào)節(jié)合適的距離閾值,本文提出的Geohash向量嵌入結(jié)合預(yù)訓(xùn)練微調(diào)的方式更具魯棒性,且軌跡關(guān)聯(lián)性能更高,取得了最優(yōu)實驗結(jié)果。

    表1 模型匹配準(zhǔn)確率Tab.1 Model matching accuracy

    4 結(jié)束語

    本文針對軌跡匹配問題提出了一種基于無監(jiān)督預(yù)訓(xùn)練的軌跡深度匹配關(guān)聯(lián)方法。采用公開數(shù)據(jù)集進(jìn)行的實驗結(jié)果表明,Geohash向量嵌入結(jié)合自注意力神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)使用預(yù)訓(xùn)練微調(diào)的方式,軌跡匹配準(zhǔn)確率高于時空相似度度量方式,可達(dá)96.3%,說明該方式能提取軌跡數(shù)據(jù)的深度特征,提高軌跡匹配精度。

    從本文實驗可以看出,特征工程軌跡向量處理方式、模型特征提取方式以及預(yù)訓(xùn)練任務(wù)會影響模型的匹配性能,這為以后的研究提供了思路,具備工程應(yīng)用推廣性。后續(xù)研究工作主要從三個方面展開:第一,將軌跡信號可能含有的其他特征,如高度、速度、方向、意圖等融入向量嵌入的表達(dá)方式中,豐富特征結(jié)構(gòu),提高輸入模型的特征向量質(zhì)量;第二,對預(yù)訓(xùn)練任務(wù)進(jìn)一步研究,設(shè)計與特征相關(guān)的預(yù)訓(xùn)練任務(wù)與隨機(jī)掩碼任務(wù)相結(jié)合,提升模型對軌跡數(shù)據(jù)的特征表示能力;第三,針對模型復(fù)雜度與訓(xùn)練耗時的問題,研究在提升準(zhǔn)確率的同時通過調(diào)節(jié)模型結(jié)構(gòu)、向量嵌入等方式降低模型訓(xùn)練復(fù)雜度。結(jié)合以上研究內(nèi)容,將繼續(xù)開展其他類型軌跡數(shù)據(jù)集及模擬實時軌跡的實驗驗證。

    猜你喜歡
    注意力軌跡準(zhǔn)確率
    讓注意力“飛”回來
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報參考產(chǎn)品質(zhì)量檢驗分析
    軌跡
    軌跡
    高速公路車牌識別標(biāo)識站準(zhǔn)確率驗證法
    軌跡
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    進(jìn)化的軌跡(一)——進(jìn)化,無盡的適應(yīng)
    中國三峽(2017年2期)2017-06-09 08:15:29
    91大片在线观看| av欧美777| 成人18禁高潮啪啪吃奶动态图| 色婷婷av一区二区三区视频| 免费高清在线观看视频在线观看| 99精国产麻豆久久婷婷| 久久中文字幕一级| 亚洲精品国产精品久久久不卡| 美女午夜性视频免费| 黑人巨大精品欧美一区二区mp4| 久久 成人 亚洲| 精品国产乱子伦一区二区三区 | 久久影院123| 99久久国产精品久久久| 中亚洲国语对白在线视频| 久久久久精品人妻al黑| 1024香蕉在线观看| 国产av一区二区精品久久| 久久久精品免费免费高清| h视频一区二区三区| 丁香六月天网| 亚洲国产成人一精品久久久| 国产精品一二三区在线看| 国产精品一区二区精品视频观看| 亚洲精品一卡2卡三卡4卡5卡 | 丝瓜视频免费看黄片| 日韩欧美国产一区二区入口| 亚洲全国av大片| 亚洲成人免费电影在线观看| 侵犯人妻中文字幕一二三四区| 国产精品一区二区精品视频观看| 9热在线视频观看99| 99热全是精品| 蜜桃国产av成人99| 亚洲 国产 在线| 久久精品国产a三级三级三级| 婷婷成人精品国产| 成人国产一区最新在线观看| 三上悠亚av全集在线观看| 亚洲中文字幕日韩| 亚洲精品第二区| 亚洲中文字幕日韩| 999久久久精品免费观看国产| 日韩中文字幕欧美一区二区| 黑人操中国人逼视频| 在线观看免费高清a一片| 国产亚洲精品一区二区www | 一二三四社区在线视频社区8| 欧美黄色片欧美黄色片| 亚洲久久久国产精品| 91精品三级在线观看| 在线天堂中文资源库| 国产一区二区三区综合在线观看| 美女高潮喷水抽搐中文字幕| 国产伦理片在线播放av一区| 国产免费av片在线观看野外av| 99国产精品免费福利视频| 岛国毛片在线播放| 国产男女超爽视频在线观看| 黑丝袜美女国产一区| 肉色欧美久久久久久久蜜桃| 91av网站免费观看| 满18在线观看网站| 91精品国产国语对白视频| 欧美黄色淫秽网站| 欧美另类亚洲清纯唯美| 国产精品欧美亚洲77777| 久久久久国产一级毛片高清牌| 国产成人欧美在线观看 | kizo精华| 80岁老熟妇乱子伦牲交| kizo精华| 国产一区二区三区综合在线观看| av有码第一页| 成在线人永久免费视频| av网站免费在线观看视频| 18在线观看网站| 日韩有码中文字幕| 99香蕉大伊视频| 老司机午夜十八禁免费视频| 一本—道久久a久久精品蜜桃钙片| 亚洲国产av新网站| 成人国产av品久久久| 国产精品.久久久| 国产精品.久久久| 俄罗斯特黄特色一大片| 美女大奶头黄色视频| 香蕉国产在线看| 极品人妻少妇av视频| 精品久久久久久电影网| 99热网站在线观看| √禁漫天堂资源中文www| 国产成人av激情在线播放| 国产成人精品久久二区二区免费| 天天躁日日躁夜夜躁夜夜| 在线十欧美十亚洲十日本专区| 亚洲熟女毛片儿| 久久人人97超碰香蕉20202| 午夜福利视频在线观看免费| 国产伦理片在线播放av一区| 久久亚洲国产成人精品v| 亚洲av美国av| 久久精品人人爽人人爽视色| 大陆偷拍与自拍| 美女大奶头黄色视频| 久久性视频一级片| 精品一区二区三区四区五区乱码| 成人三级做爰电影| 亚洲av电影在线观看一区二区三区| 久久国产亚洲av麻豆专区| 我要看黄色一级片免费的| 99国产精品一区二区三区| 性色av一级| 天天躁夜夜躁狠狠躁躁| 久久毛片免费看一区二区三区| 19禁男女啪啪无遮挡网站| 午夜福利免费观看在线| 久久久国产精品麻豆| 中文字幕另类日韩欧美亚洲嫩草| 亚洲黑人精品在线| 一区在线观看完整版| 亚洲人成电影免费在线| 日韩大片免费观看网站| 国产精品欧美亚洲77777| 91精品伊人久久大香线蕉| 国产精品久久久久久精品电影小说| 亚洲三区欧美一区| 国产在线一区二区三区精| 精品国产一区二区三区四区第35| 热99久久久久精品小说推荐| 91精品三级在线观看| 国产av精品麻豆| 久久九九热精品免费| 国产一区二区在线观看av| 正在播放国产对白刺激| 色播在线永久视频| 国产精品久久久久久精品电影小说| 韩国高清视频一区二区三区| 女人高潮潮喷娇喘18禁视频| 日韩欧美一区视频在线观看| 午夜福利免费观看在线| 午夜福利在线观看吧| 国产极品粉嫩免费观看在线| 2018国产大陆天天弄谢| 亚洲欧美日韩高清在线视频 | 亚洲欧洲精品一区二区精品久久久| 免费在线观看日本一区| 亚洲欧美清纯卡通| 一区二区三区激情视频| 午夜免费成人在线视频| 宅男免费午夜| 色94色欧美一区二区| 最近最新免费中文字幕在线| 桃花免费在线播放| 午夜免费鲁丝| 色婷婷久久久亚洲欧美| 亚洲精品中文字幕在线视频| 男人添女人高潮全过程视频| 性高湖久久久久久久久免费观看| 欧美在线一区亚洲| 国产极品粉嫩免费观看在线| 高清av免费在线| 窝窝影院91人妻| 女性被躁到高潮视频| 超碰97精品在线观看| av欧美777| 久久久水蜜桃国产精品网| 中文字幕精品免费在线观看视频| 一二三四在线观看免费中文在| 久久久久久人人人人人| 国产在线观看jvid| 日本黄色日本黄色录像| 欧美亚洲 丝袜 人妻 在线| 精品国产一区二区久久| 丰满迷人的少妇在线观看| av不卡在线播放| 18禁观看日本| kizo精华| 老司机影院毛片| 国产成人影院久久av| 亚洲成国产人片在线观看| 亚洲欧美日韩高清在线视频 | 下体分泌物呈黄色| 在线亚洲精品国产二区图片欧美| 国产又爽黄色视频| 美女高潮到喷水免费观看| 国产成人精品无人区| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美日韩亚洲国产一区二区在线观看 | 欧美在线一区亚洲| 精品熟女少妇八av免费久了| 国产亚洲午夜精品一区二区久久| 99国产精品99久久久久| 午夜两性在线视频| 日韩 欧美 亚洲 中文字幕| 少妇裸体淫交视频免费看高清 | 人人澡人人妻人| 黄色毛片三级朝国网站| 日韩一区二区三区影片| 久久国产精品男人的天堂亚洲| 国产精品自产拍在线观看55亚洲 | 男女午夜视频在线观看| 十八禁网站免费在线| 亚洲国产欧美一区二区综合| 亚洲第一欧美日韩一区二区三区 | 久久这里只有精品19| 啦啦啦中文免费视频观看日本| 国产亚洲av高清不卡| 国产精品香港三级国产av潘金莲| 日韩熟女老妇一区二区性免费视频| 亚洲av欧美aⅴ国产| 十分钟在线观看高清视频www| 黄片播放在线免费| 亚洲中文字幕日韩| 美女午夜性视频免费| 最近中文字幕2019免费版| 国产成人av教育| 国产成人啪精品午夜网站| 真人做人爱边吃奶动态| 啦啦啦啦在线视频资源| 国产不卡av网站在线观看| 中文字幕人妻丝袜制服| 亚洲人成电影免费在线| 两个人看的免费小视频| 9热在线视频观看99| 亚洲 国产 在线| 人人妻人人爽人人添夜夜欢视频| 国产精品自产拍在线观看55亚洲 | 天天影视国产精品| 久久久久精品人妻al黑| 亚洲精品久久久久久婷婷小说| 欧美黄色淫秽网站| 日日夜夜操网爽| 欧美 日韩 精品 国产| 久久中文看片网| 成年美女黄网站色视频大全免费| 99热网站在线观看| 窝窝影院91人妻| 亚洲精品第二区| 亚洲视频免费观看视频| 中国美女看黄片| 国产激情久久老熟女| 国产成人免费无遮挡视频| 亚洲五月色婷婷综合| 精品一区二区三卡| 黑丝袜美女国产一区| 在线观看免费午夜福利视频| 国产日韩一区二区三区精品不卡| 欧美日韩av久久| 无遮挡黄片免费观看| 叶爱在线成人免费视频播放| 99精品久久久久人妻精品| 精品第一国产精品| 日韩一区二区三区影片| 日韩精品免费视频一区二区三区| 中文字幕另类日韩欧美亚洲嫩草| 日韩中文字幕视频在线看片| 不卡av一区二区三区| 精品亚洲乱码少妇综合久久| 成年人免费黄色播放视频| 黄片大片在线免费观看| 中文字幕最新亚洲高清| 老汉色av国产亚洲站长工具| 性色av乱码一区二区三区2| 国产欧美日韩一区二区精品| 91大片在线观看| 久久人人爽人人片av| 国产精品久久久人人做人人爽| 啪啪无遮挡十八禁网站| 多毛熟女@视频| 国产在视频线精品| 男女午夜视频在线观看| 美女脱内裤让男人舔精品视频| 波多野结衣一区麻豆| 欧美少妇被猛烈插入视频| 女性被躁到高潮视频| 美女中出高潮动态图| 欧美xxⅹ黑人| 爱豆传媒免费全集在线观看| 在线十欧美十亚洲十日本专区| 久久国产精品男人的天堂亚洲| 永久免费av网站大全| 老司机午夜福利在线观看视频 | 91麻豆av在线| 黑人操中国人逼视频| av天堂在线播放| 90打野战视频偷拍视频| 桃花免费在线播放| 国产亚洲精品一区二区www | 操出白浆在线播放| 久久99热这里只频精品6学生| 国产高清视频在线播放一区 | 一区二区三区四区激情视频| 婷婷成人精品国产| 一本一本久久a久久精品综合妖精| 一级片免费观看大全| 国产激情久久老熟女| 亚洲专区国产一区二区| 久久毛片免费看一区二区三区| 日韩大码丰满熟妇| 久久ye,这里只有精品| 亚洲五月色婷婷综合| 欧美黑人欧美精品刺激| 久久性视频一级片| 黄色a级毛片大全视频| 午夜两性在线视频| 十八禁网站网址无遮挡| 成人黄色视频免费在线看| 啦啦啦中文免费视频观看日本| 亚洲五月色婷婷综合| 亚洲欧美色中文字幕在线| 国产精品一区二区在线观看99| 一区二区av电影网| 亚洲色图综合在线观看| 好男人电影高清在线观看| 亚洲精品粉嫩美女一区| 日本vs欧美在线观看视频| 欧美性长视频在线观看| 日韩 欧美 亚洲 中文字幕| 亚洲黑人精品在线| 国产精品 欧美亚洲| 黑人巨大精品欧美一区二区mp4| 1024香蕉在线观看| 大香蕉久久成人网| 高潮久久久久久久久久久不卡| 天天躁夜夜躁狠狠躁躁| 精品国产乱码久久久久久男人| 狂野欧美激情性xxxx| 精品福利观看| 蜜桃在线观看..| 欧美成狂野欧美在线观看| 一级毛片精品| av天堂在线播放| 狠狠狠狠99中文字幕| 丰满人妻熟妇乱又伦精品不卡| 久热爱精品视频在线9| 日韩欧美一区二区三区在线观看 | 熟女少妇亚洲综合色aaa.| 国产精品免费视频内射| 欧美黄色片欧美黄色片| 国产成人一区二区三区免费视频网站| 亚洲国产欧美网| 国产精品影院久久| 亚洲七黄色美女视频| 久久午夜综合久久蜜桃| 老司机靠b影院| 人人妻人人澡人人爽人人夜夜| 精品一区二区三区四区五区乱码| 国产精品久久久久久精品电影小说| 午夜福利,免费看| 亚洲免费av在线视频| 在线 av 中文字幕| 精品乱码久久久久久99久播| 亚洲人成电影免费在线| 中文字幕高清在线视频| 黑人巨大精品欧美一区二区蜜桃| 99国产精品一区二区蜜桃av | 欧美黑人精品巨大| 国产成人影院久久av| 精品高清国产在线一区| 涩涩av久久男人的天堂| 久久免费观看电影| 久久人人爽av亚洲精品天堂| 亚洲精品国产av蜜桃| 香蕉丝袜av| 国产高清videossex| 纯流量卡能插随身wifi吗| 国产精品.久久久| 各种免费的搞黄视频| 免费在线观看视频国产中文字幕亚洲 | 亚洲精品美女久久久久99蜜臀| 99久久国产精品久久久| 无限看片的www在线观看| 国产欧美日韩一区二区三 | 欧美中文综合在线视频| 欧美日韩精品网址| av在线老鸭窝| 亚洲精品久久久久久婷婷小说| 亚洲精品久久午夜乱码| 999久久久国产精品视频| 51午夜福利影视在线观看| 亚洲国产中文字幕在线视频| 国产亚洲av高清不卡| 久久久久精品人妻al黑| 国产97色在线日韩免费| 狂野欧美激情性bbbbbb| 91精品三级在线观看| 爱豆传媒免费全集在线观看| 一边摸一边做爽爽视频免费| 精品乱码久久久久久99久播| 精品久久久久久电影网| 老司机在亚洲福利影院| www.999成人在线观看| 两人在一起打扑克的视频| 曰老女人黄片| 大香蕉久久网| 可以免费在线观看a视频的电影网站| 99热全是精品| 亚洲视频免费观看视频| 欧美激情高清一区二区三区| 狠狠精品人妻久久久久久综合| av在线播放精品| 午夜福利乱码中文字幕| 91九色精品人成在线观看| 午夜免费鲁丝| 天天躁夜夜躁狠狠躁躁| 国产有黄有色有爽视频| 中国国产av一级| 欧美av亚洲av综合av国产av| 两性夫妻黄色片| 亚洲精品国产av成人精品| 国产一卡二卡三卡精品| 午夜精品久久久久久毛片777| 亚洲自偷自拍图片 自拍| 欧美老熟妇乱子伦牲交| 亚洲免费av在线视频| 不卡一级毛片| 丝袜美腿诱惑在线| 中国国产av一级| 国产一区有黄有色的免费视频| 十八禁人妻一区二区| 久久精品亚洲熟妇少妇任你| 中文字幕人妻丝袜一区二区| 99久久精品国产亚洲精品| 国产亚洲av高清不卡| 国产免费福利视频在线观看| 黄片播放在线免费| 天天影视国产精品| 女警被强在线播放| 欧美激情久久久久久爽电影 | 国产精品99久久99久久久不卡| 国产精品九九99| 欧美另类亚洲清纯唯美| 亚洲专区中文字幕在线| 51午夜福利影视在线观看| 人人澡人人妻人| 一区福利在线观看| 日韩有码中文字幕| 黄网站色视频无遮挡免费观看| 精品福利永久在线观看| 国产99久久九九免费精品| 亚洲av成人不卡在线观看播放网 | 丰满少妇做爰视频| 国产精品香港三级国产av潘金莲| 午夜福利在线观看吧| 91九色精品人成在线观看| 亚洲综合色网址| 国产99久久九九免费精品| 午夜影院在线不卡| 一区在线观看完整版| 国产精品一区二区精品视频观看| 一个人免费在线观看的高清视频 | 亚洲五月色婷婷综合| 日韩欧美免费精品| 青青草视频在线视频观看| 日韩精品免费视频一区二区三区| 日本一区二区免费在线视频| 久久人人爽人人片av| 亚洲一码二码三码区别大吗| 热re99久久国产66热| 亚洲男人天堂网一区| 欧美少妇被猛烈插入视频| 丝袜喷水一区| bbb黄色大片| 婷婷成人精品国产| 老鸭窝网址在线观看| 亚洲va日本ⅴa欧美va伊人久久 | bbb黄色大片| 国产精品久久久久久精品古装| 啪啪无遮挡十八禁网站| 国产亚洲精品一区二区www | 老司机深夜福利视频在线观看 | 热re99久久国产66热| 亚洲成av片中文字幕在线观看| 人妻久久中文字幕网| 丁香六月天网| 免费在线观看黄色视频的| 麻豆乱淫一区二区| 人成视频在线观看免费观看| 精品久久久精品久久久| 精品人妻熟女毛片av久久网站| 久久午夜综合久久蜜桃| 精品一品国产午夜福利视频| 精品一区二区三区四区五区乱码| 婷婷成人精品国产| 亚洲精品久久久久久婷婷小说| 午夜激情av网站| 最近最新中文字幕大全免费视频| 99久久综合免费| www.av在线官网国产| 日本av手机在线免费观看| 免费少妇av软件| 亚洲免费av在线视频| 丝瓜视频免费看黄片| 精品国产乱码久久久久久小说| 热re99久久精品国产66热6| 最新的欧美精品一区二区| 亚洲av成人一区二区三| 大香蕉久久网| 精品国产乱子伦一区二区三区 | 日本猛色少妇xxxxx猛交久久| 国产精品久久久av美女十八| 亚洲av男天堂| 国产日韩欧美亚洲二区| 国产成人一区二区三区免费视频网站| 国产欧美日韩一区二区三区在线| 两性夫妻黄色片| 亚洲成人免费电影在线观看| 交换朋友夫妻互换小说| av不卡在线播放| 91av网站免费观看| 男男h啪啪无遮挡| 国产三级黄色录像| 亚洲欧美日韩高清在线视频 | 十八禁高潮呻吟视频| 欧美日韩一级在线毛片| 蜜桃国产av成人99| 亚洲精品日韩在线中文字幕| 777久久人妻少妇嫩草av网站| 色精品久久人妻99蜜桃| a 毛片基地| 永久免费av网站大全| 在线 av 中文字幕| 久久精品国产亚洲av高清一级| 两性午夜刺激爽爽歪歪视频在线观看 | 少妇猛男粗大的猛烈进出视频| 精品乱码久久久久久99久播| 黑人猛操日本美女一级片| 999久久久国产精品视频| 永久免费av网站大全| 一本久久精品| 欧美日韩中文字幕国产精品一区二区三区 | 91老司机精品| 美女高潮喷水抽搐中文字幕| 人人澡人人妻人| 日本精品一区二区三区蜜桃| 亚洲av电影在线观看一区二区三区| kizo精华| 国产激情久久老熟女| 巨乳人妻的诱惑在线观看| 日韩中文字幕视频在线看片| 国产在线观看jvid| 一本—道久久a久久精品蜜桃钙片| av天堂在线播放| 夜夜夜夜夜久久久久| 自线自在国产av| 三级毛片av免费| 亚洲av成人不卡在线观看播放网 | 老汉色∧v一级毛片| 青草久久国产| 欧美日韩黄片免| 如日韩欧美国产精品一区二区三区| 久久久久久免费高清国产稀缺| 两性夫妻黄色片| 国产一级毛片在线| 免费观看a级毛片全部| 久久久久久久大尺度免费视频| 99精品久久久久人妻精品| 999久久久国产精品视频| 人人妻人人澡人人看| 99国产极品粉嫩在线观看| 免费不卡黄色视频| 丁香六月天网| 成人国语在线视频| 少妇精品久久久久久久| 777米奇影视久久| avwww免费| 国产高清videossex| 久久中文看片网| 天堂8中文在线网| 亚洲精品美女久久av网站| 真人做人爱边吃奶动态| 日韩视频一区二区在线观看| 咕卡用的链子| 中文字幕另类日韩欧美亚洲嫩草| 色婷婷久久久亚洲欧美| 最近最新免费中文字幕在线| 亚洲熟女毛片儿| 亚洲五月婷婷丁香| 悠悠久久av| 国产一区二区在线观看av| tube8黄色片| 国产亚洲欧美精品永久| 国产免费av片在线观看野外av| 国产精品一区二区在线不卡| 91麻豆精品激情在线观看国产 | 亚洲精品国产av成人精品| 男女免费视频国产| 亚洲国产精品成人久久小说| 麻豆av在线久日| 亚洲精品第二区| 亚洲熟女精品中文字幕| 18禁观看日本| 国产97色在线日韩免费| 男人添女人高潮全过程视频| 欧美精品av麻豆av| 老汉色av国产亚洲站长工具| 美女福利国产在线| 狠狠婷婷综合久久久久久88av| www日本在线高清视频| 亚洲国产欧美一区二区综合| 国产日韩欧美视频二区| av福利片在线| 久久久国产欧美日韩av| 中文精品一卡2卡3卡4更新| 午夜福利乱码中文字幕| 黄片播放在线免费| 国产在线免费精品| 咕卡用的链子| 交换朋友夫妻互换小说| 精品少妇一区二区三区视频日本电影| 免费高清在线观看视频在线观看| 女人被躁到高潮嗷嗷叫费观| 久久久久久亚洲精品国产蜜桃av| 国产xxxxx性猛交|