• <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
    涩涩av久久男人的天堂| 永久免费av网站大全| 亚洲天堂av无毛| 97在线视频观看| 热re99久久国产66热| 亚洲欧美一区二区三区国产| 精品国产一区二区三区四区第35| 国产女主播在线喷水免费视频网站| 国产成人免费观看mmmm| 午夜日韩欧美国产| av在线app专区| 在线精品无人区一区二区三| 欧美人与性动交α欧美精品济南到 | 99热网站在线观看| 欧美日韩视频高清一区二区三区二| 777久久人妻少妇嫩草av网站| 国产日韩欧美亚洲二区| 老司机影院毛片| 99热国产这里只有精品6| 男女国产视频网站| 丰满饥渴人妻一区二区三| 欧美变态另类bdsm刘玥| 视频在线观看一区二区三区| 97在线视频观看| 久久久久网色| 国产av一区二区精品久久| 男女下面插进去视频免费观看| 免费不卡的大黄色大毛片视频在线观看| 久久国产亚洲av麻豆专区| 少妇熟女欧美另类| 欧美人与善性xxx| 国产极品天堂在线| 看免费av毛片| 久久久久久久大尺度免费视频| 80岁老熟妇乱子伦牲交| 久久久亚洲精品成人影院| 国产激情久久老熟女| 女性被躁到高潮视频| 久久久a久久爽久久v久久| 波野结衣二区三区在线| 日韩精品有码人妻一区| 啦啦啦在线免费观看视频4| 亚洲精品在线美女| 看免费成人av毛片| 亚洲人成电影观看| 制服诱惑二区| 只有这里有精品99| 中文天堂在线官网| 欧美成人午夜免费资源| 国产亚洲精品第一综合不卡| 99久久人妻综合| 国产淫语在线视频| 欧美黄色片欧美黄色片| 日韩熟女老妇一区二区性免费视频| 交换朋友夫妻互换小说| 99香蕉大伊视频| 亚洲成国产人片在线观看| 国产男人的电影天堂91| 亚洲内射少妇av| 国产精品一区二区在线不卡| 热re99久久国产66热| 一二三四在线观看免费中文在| 在线观看www视频免费| 国产爽快片一区二区三区| 国产日韩欧美在线精品| 国产成人一区二区在线| 99国产综合亚洲精品| 久久久亚洲精品成人影院| 国产国语露脸激情在线看| 可以免费在线观看a视频的电影网站 | 最新中文字幕久久久久| 一区二区三区乱码不卡18| videos熟女内射| 免费高清在线观看日韩| 亚洲精品乱久久久久久| 少妇人妻精品综合一区二区| 老汉色av国产亚洲站长工具| 桃花免费在线播放| 欧美日韩av久久| 在线观看免费视频网站a站| 天天躁夜夜躁狠狠久久av| 精品午夜福利在线看| 国语对白做爰xxxⅹ性视频网站| 国产亚洲精品第一综合不卡| 高清黄色对白视频在线免费看| 一级片'在线观看视频| 丝袜脚勾引网站| 午夜福利一区二区在线看| 1024视频免费在线观看| 亚洲 欧美一区二区三区| 久久久久久人妻| 人人妻人人澡人人爽人人夜夜| 亚洲伊人久久精品综合| 国产精品久久久久成人av| 国产精品麻豆人妻色哟哟久久| 中文字幕人妻丝袜制服| 久久久久国产一级毛片高清牌| www日本在线高清视频| 男人添女人高潮全过程视频| 久久99蜜桃精品久久| 人人妻人人添人人爽欧美一区卜| 亚洲少妇的诱惑av| 午夜福利在线观看免费完整高清在| av网站在线播放免费| 亚洲欧美一区二区三区国产| 欧美激情极品国产一区二区三区| 成人国语在线视频| 9热在线视频观看99| 少妇被粗大的猛进出69影院| 欧美精品一区二区免费开放| 日日摸夜夜添夜夜爱| 国产在线一区二区三区精| 叶爱在线成人免费视频播放| 国产亚洲午夜精品一区二区久久| 久久久精品区二区三区| 大香蕉久久网| 亚洲av福利一区| 亚洲欧美一区二区三区国产| 岛国毛片在线播放| 777米奇影视久久| 欧美精品亚洲一区二区| 成年人免费黄色播放视频| 免费播放大片免费观看视频在线观看| 欧美日韩国产mv在线观看视频| 欧美日韩av久久| 丝瓜视频免费看黄片| 天天影视国产精品| www.av在线官网国产| 人成视频在线观看免费观看| 视频区图区小说| 有码 亚洲区| av国产久精品久网站免费入址| 另类精品久久| 女人高潮潮喷娇喘18禁视频| 伦精品一区二区三区| 最近最新中文字幕大全免费视频 | av视频免费观看在线观看| 狠狠婷婷综合久久久久久88av| 日韩伦理黄色片| 精品少妇久久久久久888优播| 九色亚洲精品在线播放| 国产免费又黄又爽又色| 大陆偷拍与自拍| 欧美亚洲 丝袜 人妻 在线| 一级片'在线观看视频| av国产久精品久网站免费入址| 久久久精品区二区三区| 久久久国产欧美日韩av| 午夜福利,免费看| 男的添女的下面高潮视频| 亚洲精品乱久久久久久| 热99国产精品久久久久久7| 国产欧美日韩一区二区三区在线| 久久精品熟女亚洲av麻豆精品| 国产精品一区二区在线观看99| 只有这里有精品99| 午夜久久久在线观看| 夜夜骑夜夜射夜夜干| 欧美成人午夜免费资源| 欧美黄色片欧美黄色片| 欧美精品一区二区大全| 久久久久国产一级毛片高清牌| 热99国产精品久久久久久7| 日韩在线高清观看一区二区三区| 99热网站在线观看| 王馨瑶露胸无遮挡在线观看| 丁香六月天网| 亚洲美女黄色视频免费看| 啦啦啦视频在线资源免费观看| 18禁观看日本| 最近最新中文字幕大全免费视频 | 777米奇影视久久| 日韩中文字幕欧美一区二区 | 欧美老熟妇乱子伦牲交| 成人国产av品久久久| 欧美亚洲日本最大视频资源| 高清黄色对白视频在线免费看| 亚洲国产精品一区三区| 日韩视频在线欧美| 哪个播放器可以免费观看大片| 美国免费a级毛片| 考比视频在线观看| 久久久久久伊人网av| 欧美日韩av久久| 成年人免费黄色播放视频| 国产精品人妻久久久影院| 麻豆精品久久久久久蜜桃| 国产欧美亚洲国产| 夫妻午夜视频| 午夜福利视频在线观看免费| 1024视频免费在线观看| 久久国内精品自在自线图片| 国产午夜精品一二区理论片| 99久久中文字幕三级久久日本| 久久精品夜色国产| 你懂的网址亚洲精品在线观看| 久久影院123| av线在线观看网站| 久久精品亚洲av国产电影网| 女性被躁到高潮视频| 精品人妻熟女毛片av久久网站| 最近最新中文字幕免费大全7| 一级a爱视频在线免费观看| av有码第一页| 美女xxoo啪啪120秒动态图| 九九爱精品视频在线观看| 亚洲av电影在线进入| 成年女人在线观看亚洲视频| 亚洲精品国产av成人精品| 色视频在线一区二区三区| 国产在视频线精品| 晚上一个人看的免费电影| 亚洲精华国产精华液的使用体验| a级毛片在线看网站| 又粗又硬又长又爽又黄的视频| 老司机影院成人| 丁香六月天网| 欧美日韩一区二区视频在线观看视频在线| 久久这里只有精品19| 久久青草综合色| 欧美日韩国产mv在线观看视频| 少妇人妻精品综合一区二区| 日日啪夜夜爽| 一区福利在线观看| 永久免费av网站大全| 激情五月婷婷亚洲| 国产精品国产三级国产专区5o| 人妻一区二区av| 电影成人av| 日日摸夜夜添夜夜爱| 精品人妻在线不人妻| 最新中文字幕久久久久| 亚洲精品在线美女| 在线看a的网站| 国产1区2区3区精品| 少妇被粗大的猛进出69影院| 在线观看三级黄色| 久久久久久久大尺度免费视频| 美女大奶头黄色视频| 精品少妇内射三级| 亚洲在久久综合| 亚洲精品国产一区二区精华液| 熟妇人妻不卡中文字幕| 青草久久国产| 黄色视频在线播放观看不卡| 一级毛片黄色毛片免费观看视频| 日日摸夜夜添夜夜爱| 国产午夜精品一二区理论片| 久久久国产一区二区| 丝瓜视频免费看黄片| 久久99精品国语久久久| 97人妻天天添夜夜摸| 波野结衣二区三区在线| 免费观看无遮挡的男女| 伦精品一区二区三区| 一边亲一边摸免费视频| 午夜福利视频在线观看免费| 精品一区二区免费观看| 免费黄网站久久成人精品| 国产精品国产三级专区第一集| 我要看黄色一级片免费的| 九草在线视频观看| 91久久精品国产一区二区三区| 九九爱精品视频在线观看| 日产精品乱码卡一卡2卡三| 超碰成人久久| 国产av精品麻豆| 我的亚洲天堂| 1024香蕉在线观看| 亚洲欧洲日产国产| 一区福利在线观看| 高清av免费在线| 国产深夜福利视频在线观看| 99香蕉大伊视频| 一级黄片播放器| 制服丝袜香蕉在线| 国产精品久久久久成人av| 女性生殖器流出的白浆| 一区二区三区四区激情视频| 亚洲精品美女久久久久99蜜臀 | 亚洲精品自拍成人| 久久久久精品性色| 熟女电影av网| 男男h啪啪无遮挡| 高清视频免费观看一区二区| 丰满迷人的少妇在线观看| 男人添女人高潮全过程视频| 国产成人91sexporn| 女的被弄到高潮叫床怎么办| 男人操女人黄网站| 久久久精品区二区三区| 亚洲精品,欧美精品| 9热在线视频观看99| 在线天堂最新版资源| 啦啦啦中文免费视频观看日本| 国产成人午夜福利电影在线观看| 一级毛片电影观看| 日韩欧美一区视频在线观看| 一级片'在线观看视频| 97在线人人人人妻| 日日撸夜夜添| 亚洲精品一区蜜桃| 亚洲国产av影院在线观看| 999精品在线视频| 这个男人来自地球电影免费观看 | 国产成人精品一,二区| 精品一区二区三区四区五区乱码 | 黄色毛片三级朝国网站| 欧美日本中文国产一区发布| 欧美日韩视频高清一区二区三区二| 午夜福利一区二区在线看| av网站在线播放免费| 午夜福利视频在线观看免费| 国产97色在线日韩免费| 免费黄频网站在线观看国产| 国产精品亚洲av一区麻豆 | 丝瓜视频免费看黄片| 两性夫妻黄色片| 韩国av在线不卡| 成人毛片a级毛片在线播放| av电影中文网址| 欧美最新免费一区二区三区| 大片免费播放器 马上看| 亚洲精品美女久久久久99蜜臀 | 一边亲一边摸免费视频| av在线app专区| 少妇人妻 视频| 纯流量卡能插随身wifi吗| 日本av免费视频播放| 青春草国产在线视频| 亚洲一区二区三区欧美精品| 韩国av在线不卡| 男女边摸边吃奶| 不卡av一区二区三区| 亚洲成人av在线免费| 国精品久久久久久国模美| 久久久久精品人妻al黑| 国产av国产精品国产| 十八禁网站网址无遮挡| 国精品久久久久久国模美| 亚洲精品美女久久久久99蜜臀 | 欧美中文综合在线视频| 成年女人在线观看亚洲视频| 97在线视频观看| 午夜福利乱码中文字幕| 精品一区在线观看国产| 亚洲视频免费观看视频| 久久久久人妻精品一区果冻| 亚洲国产精品999| 亚洲欧洲精品一区二区精品久久久 | 国产欧美日韩一区二区三区在线| 国产熟女午夜一区二区三区| 女人被躁到高潮嗷嗷叫费观| 免费播放大片免费观看视频在线观看| 99久久人妻综合| 亚洲av成人精品一二三区| 久久久久久久大尺度免费视频| 波多野结衣一区麻豆| 性色av一级| 久久99蜜桃精品久久| 黄网站色视频无遮挡免费观看| 2022亚洲国产成人精品| 久久精品久久久久久久性| 久久99精品国语久久久| 国产成人欧美| 美女主播在线视频| 自线自在国产av| 人人妻人人澡人人看| 久久人人97超碰香蕉20202| 最黄视频免费看| 久久久久久久国产电影| 日本vs欧美在线观看视频| 黑人巨大精品欧美一区二区蜜桃| 国产成人91sexporn| 国产日韩欧美亚洲二区| 国产精品人妻久久久影院| tube8黄色片| 十分钟在线观看高清视频www| 涩涩av久久男人的天堂| 中文精品一卡2卡3卡4更新| 午夜影院在线不卡| 2018国产大陆天天弄谢| 亚洲精品久久成人aⅴ小说| www.精华液| 考比视频在线观看| 黄片播放在线免费| 精品酒店卫生间| 啦啦啦中文免费视频观看日本| 成年人免费黄色播放视频| 国产成人免费无遮挡视频| 欧美激情极品国产一区二区三区| 精品卡一卡二卡四卡免费| 最近中文字幕2019免费版| 国语对白做爰xxxⅹ性视频网站| 国产有黄有色有爽视频| 久久久久精品性色| 超色免费av| 极品人妻少妇av视频| 亚洲国产欧美日韩在线播放| 日韩中字成人| 97在线人人人人妻| 日韩大片免费观看网站| 欧美97在线视频| 色哟哟·www| 午夜福利一区二区在线看| 国产精品一区二区在线不卡| 国产一区二区三区综合在线观看| av卡一久久| 久久久久精品人妻al黑| www.熟女人妻精品国产| 免费观看性生交大片5| 亚洲精品久久午夜乱码| 十八禁高潮呻吟视频| 亚洲av欧美aⅴ国产| 高清不卡的av网站| av在线老鸭窝| 亚洲第一区二区三区不卡| 国产精品人妻久久久影院| 在线免费观看不下载黄p国产| 亚洲欧美成人精品一区二区| 免费不卡的大黄色大毛片视频在线观看| 在线免费观看不下载黄p国产| 国产有黄有色有爽视频| 日韩制服骚丝袜av| 水蜜桃什么品种好| 国产成人精品福利久久| 国产亚洲午夜精品一区二区久久| 国产爽快片一区二区三区| 精品人妻偷拍中文字幕| 美国免费a级毛片| 久久久久精品人妻al黑| 男女国产视频网站| 国产乱人偷精品视频| 亚洲精品日韩在线中文字幕| 亚洲av免费高清在线观看| 亚洲经典国产精华液单| 大片电影免费在线观看免费| 精品人妻在线不人妻| 久久久久人妻精品一区果冻| www.av在线官网国产| 亚洲欧美一区二区三区久久| 高清黄色对白视频在线免费看| 国产精品免费视频内射| 亚洲熟女精品中文字幕| 97在线人人人人妻| 国产精品免费大片| 在线精品无人区一区二区三| 精品国产国语对白av| 亚洲第一区二区三区不卡| 国产成人aa在线观看| 在线观看免费日韩欧美大片| 男人舔女人的私密视频| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲人成网站在线观看播放| 亚洲,一卡二卡三卡| 国产熟女欧美一区二区| 水蜜桃什么品种好| 欧美人与性动交α欧美精品济南到 | 亚洲精品av麻豆狂野| 久久精品熟女亚洲av麻豆精品| 欧美日韩一级在线毛片| 人妻系列 视频| 男女啪啪激烈高潮av片| av电影中文网址| 国产一区二区激情短视频 | 97人妻天天添夜夜摸| 日本免费在线观看一区| 亚洲国产欧美网| av有码第一页| 精品少妇久久久久久888优播| 国产精品国产av在线观看| 少妇的丰满在线观看| 国产成人欧美| 国产福利在线免费观看视频| 王馨瑶露胸无遮挡在线观看| 捣出白浆h1v1| 成人国语在线视频| 欧美成人午夜免费资源| 久久精品国产自在天天线| 性色av一级| 国产黄频视频在线观看| 少妇人妻精品综合一区二区| 美女大奶头黄色视频| av女优亚洲男人天堂| 亚洲一码二码三码区别大吗| 不卡av一区二区三区| 中文字幕人妻丝袜制服| 夜夜骑夜夜射夜夜干| 香蕉丝袜av| 亚洲欧美清纯卡通| 香蕉丝袜av| 一本久久精品| 中文字幕另类日韩欧美亚洲嫩草| 一级毛片我不卡| 99精国产麻豆久久婷婷| 亚洲婷婷狠狠爱综合网| 国产欧美亚洲国产| 高清不卡的av网站| 捣出白浆h1v1| 日韩三级伦理在线观看| 国产成人免费无遮挡视频| 国产免费又黄又爽又色| 免费久久久久久久精品成人欧美视频| 欧美精品高潮呻吟av久久| 一级毛片 在线播放| 亚洲图色成人| 亚洲国产av新网站| 精品99又大又爽又粗少妇毛片| 久久国产精品大桥未久av| 国产国语露脸激情在线看| 妹子高潮喷水视频| 这个男人来自地球电影免费观看 | 国产在视频线精品| 久久久久久久久久久免费av| 免费观看无遮挡的男女| 成年人免费黄色播放视频| 人人妻人人添人人爽欧美一区卜| 国产毛片在线视频| 久久影院123| 国产精品香港三级国产av潘金莲 | 久久国产精品大桥未久av| 我要看黄色一级片免费的| 午夜福利网站1000一区二区三区| 丝袜脚勾引网站| 欧美精品人与动牲交sv欧美| a级毛片黄视频| 午夜福利网站1000一区二区三区| 2021少妇久久久久久久久久久| 免费观看av网站的网址| 国产精品久久久久成人av| 亚洲欧美精品自产自拍| 超碰成人久久| 午夜福利网站1000一区二区三区| 欧美精品亚洲一区二区| 婷婷色麻豆天堂久久| 热re99久久精品国产66热6| 亚洲美女黄色视频免费看| 丝袜在线中文字幕| 婷婷色综合大香蕉| 自线自在国产av| 性少妇av在线| av在线老鸭窝| 国产亚洲欧美精品永久| 久久婷婷青草| www.熟女人妻精品国产| 熟女av电影| 亚洲婷婷狠狠爱综合网| 这个男人来自地球电影免费观看 | 色网站视频免费| 少妇 在线观看| 性少妇av在线| 人人妻人人爽人人添夜夜欢视频| 不卡av一区二区三区| 69精品国产乱码久久久| 日韩精品免费视频一区二区三区| 91精品伊人久久大香线蕉| 日韩av在线免费看完整版不卡| 九九爱精品视频在线观看| 亚洲精品国产色婷婷电影| 亚洲成人av在线免费| 丰满饥渴人妻一区二区三| 国产精品人妻久久久影院| 日韩,欧美,国产一区二区三区| 亚洲国产精品成人久久小说| 亚洲av成人精品一二三区| 国产成人午夜福利电影在线观看| av电影中文网址| 如日韩欧美国产精品一区二区三区| 国产精品麻豆人妻色哟哟久久| 久久99热这里只频精品6学生| 人成视频在线观看免费观看| www.自偷自拍.com| 中国国产av一级| 你懂的网址亚洲精品在线观看| 亚洲精品中文字幕在线视频| 大片电影免费在线观看免费| 尾随美女入室| 亚洲,一卡二卡三卡| 色网站视频免费| 少妇猛男粗大的猛烈进出视频| 蜜桃在线观看..| 日本猛色少妇xxxxx猛交久久| 国产伦理片在线播放av一区| 久久久久久久精品精品| 日韩欧美一区视频在线观看| 国产亚洲午夜精品一区二区久久| 久久久久久人妻| 免费高清在线观看视频在线观看| 婷婷色av中文字幕| 免费人妻精品一区二区三区视频| www日本在线高清视频| 最近中文字幕2019免费版| 欧美国产精品va在线观看不卡| 天天操日日干夜夜撸| 免费黄色在线免费观看| 最黄视频免费看| 国产亚洲av片在线观看秒播厂| 啦啦啦在线观看免费高清www| 亚洲欧美成人精品一区二区| 免费观看无遮挡的男女| 免费观看在线日韩| 亚洲精品成人av观看孕妇| 99香蕉大伊视频| 久久久国产欧美日韩av| 欧美国产精品一级二级三级| 日本黄色日本黄色录像| 一本久久精品| 精品人妻偷拍中文字幕| 国产精品蜜桃在线观看| 亚洲成国产人片在线观看| 午夜免费男女啪啪视频观看| 啦啦啦在线免费观看视频4| 免费观看在线日韩| 三级国产精品片| 亚洲国产av影院在线观看|