• <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
    美女福利国产在线| 丝瓜视频免费看黄片| 精品午夜福利视频在线观看一区 | a级片在线免费高清观看视频| 精品人妻1区二区| 啦啦啦在线免费观看视频4| 成人国产av品久久久| 十分钟在线观看高清视频www| 菩萨蛮人人尽说江南好唐韦庄| 久久这里只有精品19| 18禁黄网站禁片午夜丰满| av福利片在线| 黄色片一级片一级黄色片| 日韩有码中文字幕| 国产福利在线免费观看视频| 亚洲黑人精品在线| 国产成人精品无人区| av超薄肉色丝袜交足视频| 亚洲中文字幕日韩| 免费在线观看视频国产中文字幕亚洲| 99国产精品一区二区三区| 五月天丁香电影| 在线观看舔阴道视频| 欧美性长视频在线观看| 热99国产精品久久久久久7| 五月天丁香电影| 一边摸一边抽搐一进一出视频| 99国产精品一区二区三区| 免费观看a级毛片全部| 五月开心婷婷网| 国产精品.久久久| 五月开心婷婷网| 91av网站免费观看| 99re6热这里在线精品视频| 99国产极品粉嫩在线观看| 亚洲成人免费av在线播放| 国产不卡一卡二| 宅男免费午夜| 啦啦啦 在线观看视频| 久久中文字幕一级| 露出奶头的视频| 51午夜福利影视在线观看| 老鸭窝网址在线观看| 电影成人av| 国产黄色免费在线视频| 日韩有码中文字幕| 极品人妻少妇av视频| 一边摸一边抽搐一进一小说 | 久久天躁狠狠躁夜夜2o2o| 欧美日韩视频精品一区| 菩萨蛮人人尽说江南好唐韦庄| 少妇的丰满在线观看| 夫妻午夜视频| 精品国内亚洲2022精品成人 | www.熟女人妻精品国产| 久久99热这里只频精品6学生| 国产1区2区3区精品| 久久久久网色| 一边摸一边做爽爽视频免费| 婷婷成人精品国产| 亚洲全国av大片| 丝袜喷水一区| 国产精品国产av在线观看| 99在线人妻在线中文字幕 | 亚洲九九香蕉| 狠狠狠狠99中文字幕| 99riav亚洲国产免费| 国产麻豆69| 法律面前人人平等表现在哪些方面| 亚洲综合色网址| 中文字幕色久视频| 欧美国产精品一级二级三级| 久久99热这里只频精品6学生| 亚洲va日本ⅴa欧美va伊人久久| 精品国产亚洲在线| 十八禁高潮呻吟视频| 80岁老熟妇乱子伦牲交| 国产一区二区三区综合在线观看| 国产一区二区三区在线臀色熟女 | 老熟妇乱子伦视频在线观看| 亚洲五月色婷婷综合| 午夜视频精品福利| 女人高潮潮喷娇喘18禁视频| 国产日韩欧美在线精品| 国产精品久久久人人做人人爽| 亚洲中文av在线| 69av精品久久久久久 | 99久久99久久久精品蜜桃| 免费在线观看视频国产中文字幕亚洲| 久久久精品区二区三区| 国产男靠女视频免费网站| 国产高清激情床上av| av有码第一页| 老鸭窝网址在线观看| 日韩有码中文字幕| 色综合欧美亚洲国产小说| 亚洲精品久久午夜乱码| 欧美精品啪啪一区二区三区| 国产精品一区二区精品视频观看| 国产无遮挡羞羞视频在线观看| 999精品在线视频| 精品人妻1区二区| 在线观看免费视频网站a站| 国产欧美日韩精品亚洲av| 免费高清在线观看日韩| 中亚洲国语对白在线视频| 国产精品美女特级片免费视频播放器 | 久久久久久久久免费视频了| 国产在视频线精品| 少妇 在线观看| 久久久久久久大尺度免费视频| 99re在线观看精品视频| 国产一区二区三区在线臀色熟女 | 搡老熟女国产l中国老女人| 在线观看免费视频日本深夜| 女人高潮潮喷娇喘18禁视频| 热99久久久久精品小说推荐| 国产成人精品在线电影| 国产黄色免费在线视频| 日本一区二区免费在线视频| 大片电影免费在线观看免费| 国产成人免费无遮挡视频| 亚洲欧美精品综合一区二区三区| 一区二区三区国产精品乱码| 国产一区二区在线观看av| 高清在线国产一区| 亚洲午夜理论影院| 一级a爱视频在线免费观看| 12—13女人毛片做爰片一| 精品国产一区二区三区四区第35| 国产在线视频一区二区| 电影成人av| 精品一区二区三区四区五区乱码| 久久人妻av系列| 国产成+人综合+亚洲专区| 欧美日韩亚洲高清精品| 国产精品香港三级国产av潘金莲| 午夜福利免费观看在线| 老鸭窝网址在线观看| 黄色片一级片一级黄色片| 青青草视频在线视频观看| 我要看黄色一级片免费的| 悠悠久久av| 欧美变态另类bdsm刘玥| 成在线人永久免费视频| 久久久久国内视频| 在线av久久热| 精品国产乱子伦一区二区三区| 99九九在线精品视频| 999久久久精品免费观看国产| 国产又爽黄色视频| 亚洲精品美女久久av网站| 亚洲人成77777在线视频| 久久精品成人免费网站| 日本wwww免费看| 9色porny在线观看| 99国产精品一区二区三区| www.自偷自拍.com| 国产91精品成人一区二区三区 | 午夜福利视频精品| 在线观看66精品国产| 亚洲第一av免费看| 亚洲精品国产精品久久久不卡| 99riav亚洲国产免费| 亚洲avbb在线观看| 国产1区2区3区精品| 精品国产亚洲在线| 考比视频在线观看| 一夜夜www| 国产成人av教育| 精品国产乱子伦一区二区三区| 国产精品99久久99久久久不卡| 十八禁高潮呻吟视频| 大香蕉久久网| 午夜福利在线观看吧| 最新在线观看一区二区三区| 黄色a级毛片大全视频| 国产老妇伦熟女老妇高清| 国产深夜福利视频在线观看| 欧美老熟妇乱子伦牲交| 99国产精品一区二区蜜桃av | 69精品国产乱码久久久| 熟女少妇亚洲综合色aaa.| 色播在线永久视频| 超碰97精品在线观看| 欧美黑人精品巨大| 久久人妻熟女aⅴ| 精品熟女少妇八av免费久了| 两个人看的免费小视频| 老司机深夜福利视频在线观看| 悠悠久久av| 黄片小视频在线播放| 一级,二级,三级黄色视频| 成年女人毛片免费观看观看9 | 亚洲国产av影院在线观看| 黄色怎么调成土黄色| 国产精品亚洲一级av第二区| 免费少妇av软件| 老司机影院毛片| 69精品国产乱码久久久| 天堂8中文在线网| 国产精品1区2区在线观看. | 欧美精品亚洲一区二区| videos熟女内射| 视频区欧美日本亚洲| 男女边摸边吃奶| 大片电影免费在线观看免费| 国产免费视频播放在线视频| 欧美亚洲日本最大视频资源| 久久天堂一区二区三区四区| 99国产精品一区二区蜜桃av | 中文字幕色久视频| 亚洲成人手机| 亚洲五月色婷婷综合| 日韩 欧美 亚洲 中文字幕| 国产精品自产拍在线观看55亚洲 | aaaaa片日本免费| 欧美乱码精品一区二区三区| 人人妻,人人澡人人爽秒播| 精品乱码久久久久久99久播| 国产精品 国内视频| 精品福利永久在线观看| 日韩欧美三级三区| 大片免费播放器 马上看| 另类亚洲欧美激情| 日韩中文字幕视频在线看片| 欧美日韩成人在线一区二区| 十八禁人妻一区二区| 免费久久久久久久精品成人欧美视频| 亚洲成人手机| 999久久久国产精品视频| 亚洲成av片中文字幕在线观看| 国产成人影院久久av| 高清av免费在线| 日韩免费高清中文字幕av| 国产男靠女视频免费网站| 人人妻人人澡人人爽人人夜夜| 波多野结衣一区麻豆| av天堂久久9| 精品国产超薄肉色丝袜足j| 午夜福利视频在线观看免费| 国产精品二区激情视频| 中亚洲国语对白在线视频| 国产男女内射视频| 亚洲专区字幕在线| www.自偷自拍.com| 欧美日本中文国产一区发布| 十八禁人妻一区二区| 成人18禁高潮啪啪吃奶动态图| 岛国在线观看网站| 亚洲欧美色中文字幕在线| 99精国产麻豆久久婷婷| 99热网站在线观看| 国产免费视频播放在线视频| 大型黄色视频在线免费观看| 国产一区二区三区综合在线观看| 麻豆国产av国片精品| 两个人看的免费小视频| 亚洲精品在线美女| 亚洲第一青青草原| 中文欧美无线码| 成人影院久久| 亚洲五月色婷婷综合| 国产免费av片在线观看野外av| 日本a在线网址| 日韩一卡2卡3卡4卡2021年| 一区二区三区国产精品乱码| 精品亚洲乱码少妇综合久久| 90打野战视频偷拍视频| 日韩有码中文字幕| 久久久久久久久免费视频了| 777久久人妻少妇嫩草av网站| 99re在线观看精品视频| 99国产精品一区二区蜜桃av | 成人三级做爰电影| 午夜福利影视在线免费观看| 乱人伦中国视频| 肉色欧美久久久久久久蜜桃| 久久久久久亚洲精品国产蜜桃av| 日日爽夜夜爽网站| 国产在线一区二区三区精| 国产男女超爽视频在线观看| 久久久久久亚洲精品国产蜜桃av| netflix在线观看网站| 老熟女久久久| 成人免费观看视频高清| 国产97色在线日韩免费| 不卡av一区二区三区| 国产日韩欧美在线精品| 男女下面插进去视频免费观看| 亚洲国产中文字幕在线视频| 亚洲专区国产一区二区| 久久天堂一区二区三区四区| 久久久久国内视频| 国产在线精品亚洲第一网站| 精品国产亚洲在线| 精品人妻熟女毛片av久久网站| 波多野结衣一区麻豆| 日日夜夜操网爽| 女人高潮潮喷娇喘18禁视频| 欧美在线一区亚洲| 国产精品免费大片| 一级a爱视频在线免费观看| 欧美黑人欧美精品刺激| 成人黄色视频免费在线看| 久久国产亚洲av麻豆专区| 97在线人人人人妻| 性色av乱码一区二区三区2| 国产精品免费大片| 亚洲欧美激情在线| 19禁男女啪啪无遮挡网站| 日本一区二区免费在线视频| 日日爽夜夜爽网站| 国产在线一区二区三区精| 国产伦人伦偷精品视频| 免费久久久久久久精品成人欧美视频| 日本黄色视频三级网站网址 | 亚洲精品粉嫩美女一区| 日本撒尿小便嘘嘘汇集6| 女性被躁到高潮视频| 精品人妻在线不人妻| 黄片大片在线免费观看| 久久国产亚洲av麻豆专区| 丁香六月天网| 国产精品久久久久久人妻精品电影 | 成年女人毛片免费观看观看9 | 一级片'在线观看视频| 国产精品98久久久久久宅男小说| 亚洲成人国产一区在线观看| 如日韩欧美国产精品一区二区三区| 国精品久久久久久国模美| 午夜免费成人在线视频| 狠狠狠狠99中文字幕| 久久ye,这里只有精品| 超碰97精品在线观看| 国产男女超爽视频在线观看| 午夜激情久久久久久久| 午夜两性在线视频| 国产精品九九99| 久久精品国产99精品国产亚洲性色 | 国产成人影院久久av| 啦啦啦在线免费观看视频4| 极品少妇高潮喷水抽搐| 夜夜爽天天搞| 久久人人爽av亚洲精品天堂| 每晚都被弄得嗷嗷叫到高潮| 天天添夜夜摸| 午夜久久久在线观看| 国产精品久久久久久精品古装| 天天添夜夜摸| www.精华液| 午夜精品国产一区二区电影| 90打野战视频偷拍视频| 人妻久久中文字幕网| 不卡一级毛片| 久久人妻福利社区极品人妻图片| 美女扒开内裤让男人捅视频| 日本黄色视频三级网站网址 | 亚洲精品国产精品久久久不卡| 日韩大片免费观看网站| 侵犯人妻中文字幕一二三四区| 国产精品麻豆人妻色哟哟久久| 国产精品九九99| 十分钟在线观看高清视频www| 亚洲精品一卡2卡三卡4卡5卡| 亚洲视频免费观看视频| 亚洲七黄色美女视频| av天堂久久9| 亚洲专区国产一区二区| 男女无遮挡免费网站观看| 一区在线观看完整版| 久久精品国产综合久久久| 久久精品国产亚洲av香蕉五月 | 亚洲人成伊人成综合网2020| 美女国产高潮福利片在线看| 欧美黑人欧美精品刺激| 日韩大片免费观看网站| 国产精品亚洲一级av第二区| 女性生殖器流出的白浆| 熟女少妇亚洲综合色aaa.| 蜜桃国产av成人99| 天堂中文最新版在线下载| 久久人妻av系列| 欧美+亚洲+日韩+国产| 亚洲av欧美aⅴ国产| 91老司机精品| 欧美av亚洲av综合av国产av| 久久精品成人免费网站| 亚洲精品av麻豆狂野| 精品一区二区三卡| 国产熟女午夜一区二区三区| 无限看片的www在线观看| 亚洲男人天堂网一区| 亚洲免费av在线视频| 精品少妇内射三级| 一区二区日韩欧美中文字幕| 麻豆国产av国片精品| 久久久久网色| 欧美黄色片欧美黄色片| 99热网站在线观看| 久久国产精品影院| 国产男女超爽视频在线观看| 久久久精品94久久精品| 亚洲 国产 在线| 亚洲精华国产精华精| 王馨瑶露胸无遮挡在线观看| 日韩欧美一区视频在线观看| 亚洲人成伊人成综合网2020| 麻豆成人av在线观看| 久久人妻福利社区极品人妻图片| 中文字幕最新亚洲高清| 国产在线一区二区三区精| av超薄肉色丝袜交足视频| 在线观看免费高清a一片| 精品视频人人做人人爽| 一区在线观看完整版| 丰满少妇做爰视频| 欧美黑人欧美精品刺激| 精品欧美一区二区三区在线| 热re99久久精品国产66热6| 亚洲欧美一区二区三区黑人| 天堂8中文在线网| 国产xxxxx性猛交| 亚洲色图 男人天堂 中文字幕| 我要看黄色一级片免费的| 日本精品一区二区三区蜜桃| 老司机午夜福利在线观看视频 | 国产免费av片在线观看野外av| 精品国产一区二区久久| 女同久久另类99精品国产91| 中文字幕人妻丝袜制服| 9色porny在线观看| 国产在线观看jvid| 亚洲人成电影免费在线| 国产精品免费视频内射| 香蕉丝袜av| 青青草视频在线视频观看| 亚洲国产毛片av蜜桃av| 欧美日韩福利视频一区二区| 手机成人av网站| 国产成人精品在线电影| 久久午夜综合久久蜜桃| 国产成人系列免费观看| 69精品国产乱码久久久| 一级a爱视频在线免费观看| 多毛熟女@视频| av不卡在线播放| 女人久久www免费人成看片| 亚洲综合色网址| 亚洲国产成人一精品久久久| av超薄肉色丝袜交足视频| 一区二区三区国产精品乱码| 亚洲成人国产一区在线观看| 大码成人一级视频| 三上悠亚av全集在线观看| 最近最新免费中文字幕在线| 日韩免费高清中文字幕av| 久久久久精品人妻al黑| 大片电影免费在线观看免费| 91字幕亚洲| 欧美精品一区二区免费开放| 亚洲午夜精品一区,二区,三区| 色94色欧美一区二区| 久久ye,这里只有精品| 99re在线观看精品视频| 午夜老司机福利片| 国产无遮挡羞羞视频在线观看| 一级,二级,三级黄色视频| 大片免费播放器 马上看| 深夜精品福利| 欧美另类亚洲清纯唯美| 极品少妇高潮喷水抽搐| 久9热在线精品视频| 中文亚洲av片在线观看爽 | 亚洲一码二码三码区别大吗| 大片免费播放器 马上看| 99精品欧美一区二区三区四区| 欧美国产精品一级二级三级| 免费黄频网站在线观看国产| 中文字幕人妻熟女乱码| 少妇 在线观看| 高清黄色对白视频在线免费看| 欧美乱码精品一区二区三区| 五月开心婷婷网| 久久久久久久久免费视频了| 欧美成人免费av一区二区三区 | 久久精品国产综合久久久| 性高湖久久久久久久久免费观看| 一级毛片女人18水好多| 亚洲男人天堂网一区| 久久影院123| 蜜桃在线观看..| 色尼玛亚洲综合影院| 精品人妻在线不人妻| 男女高潮啪啪啪动态图| 亚洲视频免费观看视频| 制服人妻中文乱码| 露出奶头的视频| 手机成人av网站| 成人黄色视频免费在线看| 丁香六月天网| 最新美女视频免费是黄的| 露出奶头的视频| 老司机在亚洲福利影院| 在线观看免费午夜福利视频| 久久狼人影院| 窝窝影院91人妻| 亚洲国产精品一区二区三区在线| 国产一区二区三区视频了| 十分钟在线观看高清视频www| 一进一出好大好爽视频| 99久久99久久久精品蜜桃| 日韩人妻精品一区2区三区| 在线亚洲精品国产二区图片欧美| 欧美成人免费av一区二区三区 | 国产男女超爽视频在线观看| 水蜜桃什么品种好| 1024视频免费在线观看| 侵犯人妻中文字幕一二三四区| 国产精品久久久久成人av| 久久精品国产亚洲av香蕉五月 | 大香蕉久久成人网| 国产视频一区二区在线看| 欧美日韩成人在线一区二区| 一区二区三区激情视频| 汤姆久久久久久久影院中文字幕| 一边摸一边做爽爽视频免费| 99riav亚洲国产免费| 动漫黄色视频在线观看| 国产欧美日韩一区二区精品| 中文字幕制服av| 99热国产这里只有精品6| 三上悠亚av全集在线观看| 日本一区二区免费在线视频| 亚洲精品在线观看二区| 日韩大片免费观看网站| 91成人精品电影| 欧美一级毛片孕妇| 精品一区二区三卡| 国产精品欧美亚洲77777| 久久毛片免费看一区二区三区| 国产高清videossex| 91麻豆精品激情在线观看国产 | www.熟女人妻精品国产| 宅男免费午夜| 又黄又粗又硬又大视频| 欧美精品一区二区免费开放| 天天影视国产精品| 天堂8中文在线网| 香蕉丝袜av| 日韩中文字幕欧美一区二区| 操美女的视频在线观看| 美女高潮喷水抽搐中文字幕| 欧美 亚洲 国产 日韩一| 一区在线观看完整版| 国产又色又爽无遮挡免费看| 99国产精品99久久久久| 又大又爽又粗| 波多野结衣av一区二区av| 国产精品一区二区免费欧美| 亚洲欧美一区二区三区黑人| 午夜视频精品福利| 法律面前人人平等表现在哪些方面| 成人亚洲精品一区在线观看| 麻豆乱淫一区二区| 少妇的丰满在线观看| 欧美日本中文国产一区发布| 水蜜桃什么品种好| 性少妇av在线| 99精品欧美一区二区三区四区| 老司机亚洲免费影院| 国产欧美日韩综合在线一区二区| 国产免费av片在线观看野外av| 丰满少妇做爰视频| 如日韩欧美国产精品一区二区三区| 国产真人三级小视频在线观看| 国产1区2区3区精品| 久久免费观看电影| videos熟女内射| 我的亚洲天堂| av网站免费在线观看视频| av线在线观看网站| 黑人欧美特级aaaaaa片| 国产福利在线免费观看视频| 伊人久久大香线蕉亚洲五| 国产高清国产精品国产三级| 一夜夜www| 三上悠亚av全集在线观看| 伦理电影免费视频| 亚洲性夜色夜夜综合| 欧美日韩黄片免| 18禁裸乳无遮挡动漫免费视频| 亚洲熟妇熟女久久| 少妇 在线观看| 国产单亲对白刺激| 亚洲中文av在线| 亚洲欧美激情在线| 精品午夜福利视频在线观看一区 | 正在播放国产对白刺激| 免费女性裸体啪啪无遮挡网站| 亚洲国产成人一精品久久久| 久久久久精品国产欧美久久久| 91av网站免费观看| 日韩免费av在线播放| 搡老乐熟女国产| 18禁美女被吸乳视频| 成人国产一区最新在线观看| 成人影院久久| 最近最新中文字幕大全免费视频| 日韩欧美国产一区二区入口| 最近最新中文字幕大全电影3 | 中国美女看黄片| 国产精品久久久av美女十八| 在线观看免费高清a一片| 久久精品亚洲av国产电影网|