• <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EMD和CatBoost算法的改進時間序列模型

    2024-06-16 00:00:00趙凌霄李智揚屈磊磊
    關(guān)鍵詞:模態(tài)誤差預(yù)測

    摘要:【目的】解決傳統(tǒng)大氣PM2.5濃度時序預(yù)測時精度較低問題,減少PM2.5時間序列的非線性、高噪聲、不平穩(wěn)與波動性對預(yù)測的影響,從而更精確地預(yù)測PM2.5濃度?!痉椒ā恳?014年1月1日至2022年1月31日大連市霧霾天氣時PM2.5數(shù)據(jù)為例,提出了經(jīng)驗?zāi)B(tài)分解(EMD)、分類提升 (CatBoost)、自回歸綜合移動平均模型(ARIMA)組合的混合機器學(xué)習(xí)時間序列模型,并與傳統(tǒng)自回歸模型(AR)、ARIMA,以及只加入EMD方法后的混合模型進行比較?!窘Y(jié)果】混合模型EMD-CatBoost-ARIMA較原始序列均方根誤差(RMSE)改進20.76%,平均絕對值誤差(MAE)改進17.40%,希爾不等系數(shù)(TIC)改進29.17%?!窘Y(jié)論】對于高熵值的重構(gòu)序列,EMD分解方法和CatBoost算法能夠顯著提升PM2.5時間序列模型的預(yù)測性能。相比較傳統(tǒng)時間序列模型,EMD-CatBoost-ARIMA模型對大氣PM2.5濃度預(yù)測性能較高。

    關(guān)鍵詞:PM2.5濃度;經(jīng)驗?zāi)B(tài)分解(EMD);時間序列模型;混合模型;CatBoost算法;機器學(xué)習(xí);大連市

    中圖分類號:X513 文獻標(biāo)志碼:A開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):

    文章編號:1000-2006(2024)03-0268-07

    Improved time series models based on EMD and CatBoost algorithms—taking PM2.5 prediction of Dalian City as an example

    ZHAO Lingxiao1,2, LI Zhiyang3, QU Leilei4*

    (1. College of Marine and Civil Engineering, Dalian Ocean University, Dalian 116023, China; 2. Department of Atmospheric and Oceanic Sciences, Fudan University, Shanghai 200438, China; 3. College of Civil Engineering, Chongqing University, Chongqing 400044, China; 4. College of Information Engineering, Dalian Ocean University, Dalian 116023, China)

    Abstract:【Objective】The study aims to address the problem of low accuracy in traditional PM2.5 concentration time series prediction, and to reduce the impact of nonlinearity, high noise, instability and volatility on the prediction of PM2.5 time series, to predict PM2.5 concentration more accurately. 【Method】The haze PM2.5 data of Dalian City from January 1, 2014 to January 31, 2022 was used as an example. In this study, a hybrid machine learning time series model with the combination of empirical modal decomposition (EMD), classification boosting (CatBoost) and autoregressive integrated moving average model (ARIMA) was proposed. It was compared with the traditional autoregressive model (AR), ARIMA and the hybrid model with only the EMD method. 【Result】The hybrid model EMD-CatBoost-ARIMA improved the root mean square error (RMSE) of the original sequence by 20.76%, the mean absolute error (MAE) by 17.40%, and the theil inequality coefficient (TIC) by 29.17%. 【Conclusion】For reconstructed sequences with high entropy values, the EMD decomposition method and CatBoost algorithm can significantly improve the prediction performance of PM2.5 time series models. Compared with the traditional time series models, the EMD-CatBoost-ARIMA model has higher performance in PM2.5 concentration prediction.

    Keywords:PM2.5 concentration; empirical modal decomposition(EDM); time series model; hybrid model; CatBoost algorithm; machine learning; Dalian City

    PM2.5是指空氣動力學(xué)直徑小于等于2.5 μm的顆粒物,相比PM10有更小的粒徑。現(xiàn)階段以PM2.5為特征污染物的環(huán)境問題正威脅人們的健康。長期暴露在PM2.5超標(biāo)環(huán)境中會使人免疫力下降[1],引起心肺[2]、心血管疾病[3]等。隨著全球城市空氣污染事件數(shù)量的不斷增加[4],人們對其健康影響效應(yīng)的認識不斷提高。

    在PM2.5 監(jiān)測方面,除了使用衛(wèi)星和地面監(jiān)測數(shù)據(jù)[5]來預(yù)測短期范圍內(nèi)的PM2.5,傳統(tǒng)時間序列模型[6]目前也廣泛應(yīng)用于服務(wù)醫(yī)療衛(wèi)生[7]、監(jiān)測空氣質(zhì)量[8]等領(lǐng)域,持續(xù)為人與自然和諧相處和生態(tài)文明建設(shè)作出貢獻。彭斯俊等[9]針對PM2.5時間序列結(jié)合環(huán)境監(jiān)測數(shù)據(jù),應(yīng)用自回歸綜合移動平均(ARIMA)模型預(yù)測了短期PM2.5的日平均濃度;嚴宙寧等[10]通過建立深圳市PM2.5時間序列分析的ARIMA模型,預(yù)測了深圳市大氣PM2.5濃度變化趨勢,從而為公眾健康安全出行提供了建議;謝心慶等[11]將PM2.5濃度變化劃分為穩(wěn)定部分和不穩(wěn)定部分,利用多元分析及時間序列的方法對烏魯木齊空氣質(zhì)量進行了預(yù)測;余輝等[12]以小時尺度上PM2.5濃度數(shù)據(jù)建立統(tǒng)計預(yù)測模型,提高了預(yù)測精度;吳明暉等[13]對多模態(tài)數(shù)據(jù)中的文本數(shù)據(jù)和數(shù)值數(shù)據(jù)進行融合,解決了傳統(tǒng)單因子方法無法充分利用時間序列相關(guān)信息導(dǎo)致預(yù)測準(zhǔn)確度較差的問題。

    傳統(tǒng)時間序列模型的理論方法已經(jīng)十分成熟,但在模型預(yù)測精度方面,相比結(jié)合機器學(xué)習(xí)和深度學(xué)習(xí)方法的綜合模型具有明顯劣勢[14]。時間序列預(yù)測作為數(shù)學(xué)模型,機器學(xué)習(xí)和深度學(xué)習(xí)作為技術(shù)手段,二者結(jié)合往往比單一模型性能更為優(yōu)異,因此許多學(xué)者進行了研究,如:Wongsathan等[15]開發(fā)了ARIMA和神經(jīng)網(wǎng)絡(luò)(NNs)的混合模型,以泰國清邁省為例,調(diào)查了氣象因素對PM10的影響以及PM10與其他有毒氣體的相關(guān)性,并將該混合模型用于PM10預(yù)測,所提出的NNs-ARIMA平均誤差相較ARIMA模型降低了77%;Aladag[16]通過季節(jié)調(diào)整去除了PM10數(shù)據(jù)的趨勢和季節(jié)效應(yīng),使用ARIMA模型對土耳其埃爾祖魯姆PM10濃度進行了準(zhǔn)確的月度預(yù)測,該方法可作為高空氣污染地區(qū)預(yù)警的參考;張棋[17]采用機器學(xué)習(xí),對中國近40年連續(xù)觀測的站點和格點數(shù)據(jù)進行計算分析,通過尋找氣象干旱的演變規(guī)律,剖析時間序列預(yù)測算法對干旱指數(shù)的適用性,為氣象災(zāi)害預(yù)警提供了理論依據(jù)。在算法準(zhǔn)確率等方面,分類提升(CatBoost)自2017年提出后,作為比極致梯度提升(XGBoost)和輕量級梯度提升機(LightGBM)表現(xiàn)更優(yōu)秀的一種算法,被廣泛應(yīng)用于各類問題的預(yù)測[18]。Ding等[19]應(yīng)用了CatBoost重建京津冀衛(wèi)星氣溶膠光學(xué)深度(AOD)數(shù)據(jù),并進行預(yù)測,結(jié)果表明該方法在估算AOD數(shù)據(jù)方面具有良好的性能。

    本研究以2014年1月1日至2022年1月31日的大連市PM2.5數(shù)據(jù)作為研究對象,將EMD分解和CatBoost應(yīng)用于PM2.5濃度時序預(yù)測問題。首先通過EMD分解,獲得多個本征模態(tài)函數(shù)(IMF)序列;而后使用距離熵(RangeEn)[20]評估每個分解模態(tài)的有序程度,將RangeEn值相近的序列組合構(gòu)成重構(gòu)序列;最后使用AR、ARIMA和CatBoost對重構(gòu)序列分別進行預(yù)測,分析模型的預(yù)測性能。

    1 材料與方法

    1.1 研究區(qū)概況

    大連市地處遼東半島南端(120°58′~123°31′E,38°43′~40°12′N)。近年來,大連市致力于推進燃煤鍋爐和工業(yè)窯爐專項整治,并對鋼鐵企業(yè)和燃煤電廠進行超低排放改造,以持續(xù)降低PM2.5濃度。通過全面實施清潔供熱、散煤置換、秸稈焚燒、揚塵治理、高污染機動車淘汰等一系列措施,減少霧霾污染和碳排放。至2022年,大連市PM2.5濃度已經(jīng)連續(xù)達標(biāo)5 a,并保持下降趨勢。2013—2022年,PM2.5年均降幅為6.7%,累積下降46.0%,年均優(yōu)等空氣質(zhì)量率達到88.5%。

    1.2 數(shù)據(jù)描述

    選取2014年1月1日至2022年1月31日大連霧霾天氣時PM2.5的濃度數(shù)值作為數(shù)據(jù)集(共2 930個),統(tǒng)計分析信息見圖1。從圖1可知,研究中PM2.5的濃度范圍為0~439 μg/m3,均值為36.6 μg/m3,中位數(shù)為27 μg/m3。PM2.5序列具有季節(jié)性變化特征,表現(xiàn)為春冬高、夏秋低的趨勢。此外,近年來PM2.5濃度總體呈下降趨勢,并且暴增的情況越來越少。本研究將數(shù)據(jù)集的90%(2 637個)作為訓(xùn)練集,10%(293個)用作測試集,以進行傳統(tǒng)時間序列預(yù)測和混合機器學(xué)習(xí)時間序列預(yù)測。

    1.3 研究方法

    1.3.1 傳統(tǒng)時間序列分析

    根據(jù)時序圖1初步判斷,研究中PM2.5的濃度數(shù)值并沒有明顯的變化趨勢,這表明霧霾的時間序列可能是弱平穩(wěn)的(weakly stationary)。選擇使用ADF根(augmented Dickey-Fuller)進一步檢驗,結(jié)果如表1所示。

    設(shè)原假設(shè)H0為存在單位根,即數(shù)據(jù)不平穩(wěn),同時繪制時間序列的自相關(guān)圖(圖2),使用t時刻原始數(shù)據(jù)y(t)和一階滯后數(shù)據(jù)y(t+1)繪制散點圖,可以快速、直觀地檢驗時間序列數(shù)據(jù)集是否存在自相關(guān)性。

    由P值(8.93×10-7)可以看出,原假設(shè)成立的概率極低,應(yīng)該拒絕原假設(shè),經(jīng)過ADF根檢驗可得數(shù)據(jù)平穩(wěn)。從圖2可以看出,原始數(shù)據(jù)y(t)與一階滯后數(shù)據(jù)y(t+1)的散點圖大致呈現(xiàn)沿對角線分布,表明數(shù)據(jù)間具有一定的相關(guān)性。相關(guān)性分析表明,PM2.5數(shù)據(jù)的觀測值與其一階滯后數(shù)值之間存在強正相關(guān)關(guān)系,相關(guān)系數(shù)約為0.62。但實際操作中并不列出每一階滯后量的自相關(guān)系數(shù),而是繪制出自相關(guān)函數(shù)(ACF)圖和偏自相關(guān)函數(shù)(PACF)圖(圖3)。

    由于PM2.5指數(shù)具有隨季節(jié)變化的時間規(guī)律性,因此圖像結(jié)果顯示出正負交替的擺動。為了便于觀察,設(shè)定最大滯后階數(shù)為35得到圖3b所示結(jié)果,發(fā)現(xiàn)樣本自相關(guān)系數(shù)和偏自相關(guān)系數(shù)在最初的0階和1階都明顯超過2倍標(biāo)準(zhǔn)差范圍,初步判斷p和q值均為1。而后幾乎95%的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)都在2倍標(biāo)準(zhǔn)差范圍內(nèi),且衰減波動的過程劇烈,判斷自相關(guān)和偏自相關(guān)均為截尾。因此本研究采用AR(1)、ARIMA(1,0,1)模型對序列進行模型擬合。

    1.3.2 EMD-CatBoost-ARIMA方法

    為提升PM2.5序列預(yù)測的準(zhǔn)確性,提出一種基于EMD分解的預(yù)測模型。減弱了PM2.5時間序列的非線性、高噪聲、不平穩(wěn)與波動性,減小預(yù)測難度[20]。具體實施步驟如下:

    1)對PM2.5時間序列x(t)進行3次樣條插值,連接極值點構(gòu)成上下包絡(luò)線P(t)和Q(t),并求出均值包絡(luò)線(t),如式(1)所示。

    2)求(t)與原始序列的差值,定為本征模態(tài)函數(shù)(IMF)h1,如式(2)。

    3)將輸入信號最大頻率的成分定為ci(i=1,2,…,n),可以將其從原始信號中分離,如式(3);而后將r1作為輸入繼續(xù)進行分解。完整分解公式見式(4)。

    式中:x(t)是霧霾PM2.5濃度數(shù)值的原始序列,(t)為極值點上下包絡(luò)的平均值;hi(t)為分解出的本征模態(tài)函數(shù)IMFi;P(t)為上包絡(luò)點的值;Q(t)為下包絡(luò)點的值;h1為本征模態(tài)函數(shù)IMF1;c1為首次輸入信號的最大頻率;r1為x(t)除去c1部分的序列;rn為分解最后剩余的殘差部分。

    應(yīng)用EMD分解結(jié)果如圖4所示,采樣頻率定為1Hz。根據(jù)分解結(jié)果(圖4a)可以看出,原始PM2.5序列經(jīng)過EMD分解得到的各本征模態(tài)函數(shù)(IMF)的波形呈現(xiàn)不同的分布規(guī)律,且分解結(jié)果(圖4b)顯示各IMF分量的頻譜存在顯著差異。以上說明原始PM2.5序列信號的有效成分經(jīng)過EMD分解后被完整提取并且不存在模態(tài)混疊現(xiàn)象[21]

    為了區(qū)分不同模態(tài)的信號復(fù)雜性與自相似性,使用距離熵(RangeEn)分析其分解信號的模態(tài)(Mode)特點[19],而后將相近RangeEn值的IMF分量組合,實現(xiàn)信號的重構(gòu)。具體如下:IMF1、2、3的RangeEn分別為0.597 8、0.868 4、0.591 0,均在0.5以上,因此組成重構(gòu)序列Series1;IMF4、5的RangeEn值分別為0.330 0、0.150 1,均在0.1~0.5,組成重構(gòu)序列Series2;剩余的所有部分組成重構(gòu)序列Series3。

    熵值反映了數(shù)據(jù)的有序程度。隨著熵值的增大,序列的混沌程度也越高。因此,首先使用ARIMA模型對高熵值序列Series1進行預(yù)測,對于低熵值序列,則采用AR模型進行預(yù)測。然而,傳統(tǒng)的時間序列模型對于高波動性序列的預(yù)測精度較低。針對高熵值序列Series1,本研究采用具有良好性能的機器學(xué)習(xí)算法CatBoost[22]進行預(yù)測,并進行超參數(shù)調(diào)整。模型參數(shù)分別為:迭代次數(shù)為55,學(xué)習(xí)率為0.1,L2正則化項為1,樹的最大深度為10。對于低熵值重構(gòu)序列Series2和Series3,仍然采用AR模型和ARIMA模型進行預(yù)測。

    1.4 模型性能的評估

    本研究采用均方根誤差(RMSE)、平均絕對誤差(MAE)以及希爾不等系數(shù)(TIC)3個指標(biāo)進行模型性能的評估。其中,RMSE和MAE對序列中的極大或極小數(shù)值的誤差反應(yīng)更具敏感性。TIC能夠體現(xiàn)均方根誤差在原始序列和預(yù)測序列中的占比程度,范圍在0~1。

    2 結(jié)果與分析

    2.1 基于誤差評價指標(biāo)的分析

    預(yù)測模型誤差指標(biāo)的計算結(jié)果見表2。根據(jù)表格可以看出,在測試集上,相較于AR模型,ARIMA模型的預(yù)測誤差較小,RMSE和TIC分別改進了5.09%和16.42%,預(yù)測表現(xiàn)更佳。雖然ARIMA模型的MAE值略高,但是由于RMSE是通過對誤差進行平方的累加后再開方得出,它放大了較大誤差之間的差距,受到了極端異常值的影響更大。因此,ARIMA模型能夠更好地處理極端誤差,使其在預(yù)測過程中表現(xiàn)優(yōu)于AR模型。綜上所述,單獨使用ARIMA模型和AR模型進行預(yù)測時,ARIMA更為優(yōu)秀。

    加入EMD分解方法后,EMD-AR、EMD-ARIMA和EMD-ARIMA-AR 3個模型相對于原始的ARIMA和AR模型預(yù)測效果有所提升。比較分析發(fā)現(xiàn),與原始AR模型相比,這3個模型的RMSE分別改進了16.18%、16.26%和16.27%。在對重構(gòu)序列高熵值的數(shù)據(jù)使用CatBoost進行預(yù)測時,EMD-CatBoost-AR和EMD-CatBoost-ARIMA的預(yù)測性能也有所提升。其中,EMD-CatBoost-ARIMA表現(xiàn)最佳,其RMSE為13.1353,比單個模型改進了20.76%;MAE為9.060 8,改進了17.40%;此外TIC改進了29.17%。雖然EMD-CatBoost-AR的預(yù)測精度略微低于EMD-CatBoost-ARIMA,但是RMSE、MAE和TIC依舊分別改進了20.72%、17.42%和29.09%。通過對誤差指標(biāo)的分析可以得出,EMD分解極大地提升了預(yù)測模型的精度,并且在該研究中,加入CatBoost方法能夠進一步提高預(yù)測性能。

    2.2 預(yù)測模型的穩(wěn)定性分析

    預(yù)測值與實際值的對比情況如圖5所示。結(jié)果顯示,2021年4月12日至2021年10月12日間的PM2.5濃度普遍數(shù)值較小,序列波動性也較小,7個預(yù)測模型都有較好的預(yù)測效果。而2021年10月12日至2022年1月31日間內(nèi),PM2.5濃度的數(shù)值容易出現(xiàn)陡增現(xiàn)象,而后又驟降,序列的波動性極大。7個預(yù)測模型對于這種極大波動性的序列段預(yù)測適應(yīng)程度均較低。但結(jié)合表2中RMSE的分析情況,EMD-CatBoost-ARIMA對于處理序列中極端異常值的預(yù)測能力最為優(yōu)異,這也是其RMSE值最低的原因。

    此外通過研究預(yù)測結(jié)果的殘差來繪制泰勒圖,以評估所提出模型的穩(wěn)健性。泰勒圖用于評價模型的精度,常見的泰勒圖精度指標(biāo)有相關(guān)系數(shù)R,標(biāo)準(zhǔn)差(SD)以及中心模型均方根差E′[23]。E′的計算公式為:

    式中:Xi和X′i分別是時間序列的真實值和預(yù)測值;i為第i期數(shù)據(jù);n為測試集數(shù)據(jù)的個數(shù)。

    PM2.5預(yù)測結(jié)果和實測結(jié)果對比見圖5c,其中彩色散點代表的是模型,藍色輻射線代表相關(guān)系數(shù)(R),灰色實線代表標(biāo)準(zhǔn)差,綠色虛線代表中心模型均方根誤差。泰勒圖的優(yōu)點在于使用3個指標(biāo)展示了模型精度的情況。此外,殘差圖可以反映預(yù)測模型在整個預(yù)測過程中的殘差變化,這對于評價模型的穩(wěn)定性非常重要。

    本研究選擇了3類模型中最具代表性的ARIMA、EMD-ARIMA-AR和EMD-CatBoost-ARIMA模型,并繪制了它們的殘差圖(圖6)。

    圖5c和圖6的結(jié)果顯示,通過加入EMD分解再混合CatBoost算法,模型的預(yù)測性能指標(biāo)呈現(xiàn)下降趨勢。EMD-CatBoost-AR和EMD-CatBoost-ARIMA預(yù)測效果優(yōu)于EMD-AR、EMD-ARIMA和EMD-ARIMA-AR,更優(yōu)于AR和ARIMA。圖6結(jié)果顯示,傳統(tǒng)時間序列模型難以處理PM2.5序列的高波動性,相關(guān)系數(shù)不到0.6。而混合機器學(xué)習(xí)時間序列模型EMD-CatBoost-ARIMA具有良好的穩(wěn)定性,相比傳統(tǒng)時間序列模型,相關(guān)系數(shù)提升25%左右,標(biāo)準(zhǔn)差(SD)最接近原始序列,中心模型均方根差E′最小。EMD分解和CatBoost算法的加入能對10月12日之后的PM2.5序列真實值的突變實現(xiàn)更精準(zhǔn)擬合,同時EMD-CatBoost-ARIMA模型的殘差值仍然最小,充分表明了新方法的穩(wěn)定性、精確性和優(yōu)異性。

    3 結(jié) 論

    本研究提出一種新型混合機器學(xué)習(xí)時間序列模型EMD-CatBoost-ARIMA來改進傳統(tǒng)時間序列預(yù)測模型對于預(yù)測高波動性序列的不足。主要結(jié)論如下:

    1)比較7個預(yù)測模型的PM2.5序列預(yù)測值與實際值,并計算誤差指標(biāo)RMSE、MAE和TIC來分析預(yù)測結(jié)果的優(yōu)劣性。結(jié)果顯示EMD-CatBoost-ARIMA模型較傳統(tǒng)時間序列模型RMSE改進20.76%、MAE改進17.40%、TIC改進29.17%,較好地改進了傳統(tǒng)時間序列模型的預(yù)測性能。由7種模型預(yù)測結(jié)果與實際值的對比線圖可以看出,EMD分解和CatBoost算法的加入能對2021年10月12日之后的PM2.5序列真實值的突變實現(xiàn)更精準(zhǔn)擬合。即新方法對于無序程度高、波動性大的原始序列比單一時間序列模型擁有更好的預(yù)測性。

    2)通過對泰勒圖和預(yù)測模型誤差指標(biāo)柱狀圖的分析,新型混合機器學(xué)習(xí)時間序列模型EMD-CatBoost-AR和EMD-CatBoost-ARIMA預(yù)測效果優(yōu)于EMD-AR、EMD-ARIMA和EMD-ARIMA-AR,更優(yōu)于AR和ARIMA模型。相關(guān)系數(shù)提升25%左右,標(biāo)準(zhǔn)差SD最接近原始序列,中心模型均方根差E′最小。對比其他相關(guān)研究,EMD-CatBoost-ARIMA模型較其他時間序列預(yù)測模型具有更好的擬合優(yōu)度。

    綜上,EMD-CatBoost-ARIMA模型能夠更準(zhǔn)確地預(yù)測PM2.5序列,可以為生產(chǎn)生活、政府決策等方面提供技術(shù)參考。另外,本次研究只對傳統(tǒng)時間序列模型進行改進,在未來的工作中可以使用對波動性序列預(yù)測適應(yīng)性更強的模型,并附加一些外部影響因素,如二氧化硫指數(shù)、二氧化氮指數(shù)和該地區(qū)工業(yè)廢氣的排放量等,從而提高預(yù)測性能。

    參考文獻(reference):

    [1]World health organization.Ambient air pollution:a global assessment of exposure and burden of disease [M].Geneva:World Health Organization, 2016.

    [2]TAO R J,CAO W J,LI M H,et al.PM2.5 compromises antiviral immunity in influenza infection by inhibiting activation of NLRP3 inflammasome and expression of interferon-Β[J].Mol Immunol,2020,125:178-186.DOI: 10.1016/j.molimm.2020.07.001.

    [3]DE MARCO A,AMOATEY P,KHANIABADI Y O,et al.Mortality and morbidity for cardiopulmonary diseases attributed to PM2.5 exposure in the metropolis of Rome,Italy[J].Eur J Intern Med,2018,57:49-57.DOI: 10.1016/j.ejim.2018.07.027.

    [4]GUO L C,LV Z L,MA W J,et al.Contribution of heavy metals in PM2.5 to cardiovascular disease mortality risk,a case study in Guangzhou,China[J].Chemosphere,2022,297:134102.DOI: 10.1016/j.chemosphere.2022.134102.

    [5]施婷婷, 王帥, 楊立娟, 等. 中國華東地區(qū)PM2.5濃度時空變化及與景觀格局關(guān)聯(lián)研究[J]. 遙感技術(shù)與應(yīng)用, 2024, 39(2): 435-446. SHI T T, WANG S, YANG L J, et al. The spatial-temporal change of PM2.5 concentration and its relationship with landscape pattern in East China[J]. Remote Sensing Technology and Application, 2024, 39(2): 435-446.DOI:10.11873/j.issn.1004-0323.2024.2.0435.

    [6]汪偉舵,吳濤濤,張子振.基于ARIMA模型的杭州市PM2.5預(yù)測[J].哈爾濱師范大學(xué)自然科學(xué)學(xué)報,2018,34(3):49-55.WANG W D,WU T T,ZHANG Z Z.Forecast of PM2.5 in Hangzhou based on ARIMA model[J].Nat Sci J Harbin Norm Univ,2018,34(3):49-55.DOI: 10.3969/j.issn.1000-5617.2018.03.009.

    [7]CHYON F A,SUMAN M N H,F(xiàn)AHIM M R I,et al.Time series analysis and predicting COVID-19 affected patients by ARIMA model using machine learning[J].J Virol Methods,2022,301:114433.DOI: 10.1016/j.jviromet.2021.114433.

    [8]楊茜雯,朱萌.基于ARIMA模型對揚州市PM2.5的分析和預(yù)測[J].黑龍江環(huán)境通報,2022,35(1):35-37,40.YANG Q W,ZHU M.Analysis and prediction of PM2.5 in Yangzhou based on ARIMA model[J].Heilongjiang Environ J,2022,35(1):35-37,40.DOI: 10.3969/j.issn.1674-263X.2022.01.012.

    [9]彭斯俊, 沈加超,朱雪.基于ARIMA模型的PM2.5預(yù)測 [J].安全與環(huán)境工程, 2014, 21(6): 125-128. PENG S J, SHEN J C, ZHU X,et al.Forecast of PM2.5 based on the ARIMA model[J]. Safety and Environ Engine, 2014, 21(6): 125-128. DOI: 10.13578/j.cnki.issn.1671-1556.2014.06.023.

    [10]嚴宙寧,牟敬鋒,趙星,等.基于ARIMA模型的深圳市大氣PM2.5濃度時間序列預(yù)測分析[J].現(xiàn)代預(yù)防醫(yī)學(xué),2018,45(2):220-223,242.YAN Z N,MOU J F,ZHAO X,et al.The time series prediction of PM2.5 in Shenzhen based on ARIMA model[J].Mod Prev Med,2018,45(2):220-223,242.

    [11]謝心慶,鄭薇,開璇,等.基于時間序列和多元方法的烏魯木齊PM2.5濃度分析[J].云南大學(xué)學(xué)報(自然科學(xué)版),2016,38(4):595-601.XIE X Q,ZHENG W,KAI X,et al.An analysis of PM2.5 concentration based on time sequence and multivariate methods in Urumqi City[J].J Yunnan Univ (Nat Sci Ed),2016,38(4):595-601.DOI: 10.7540/j.ynu.20150789.

    [12]余輝,袁晶,于旭耀,等.基于ARMAX的PM2.5小時濃度跟蹤預(yù)測模型[J].天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版),2017,50(1):105-111.YU H,YUAN J,YU X Y,et al.Tracking prediction model for PM2.5 hourly concentration based on ARMAX[J].J Tianjin Univ (Sci Technol),2017,50(1):105-111.DOI: 10.11784/tdxbz201504033.

    [13]吳明暉,張廣潔,金蒼宏.基于多模態(tài)信息融合的時間序列預(yù)測模型[J].計算機應(yīng)用,2022,42(8):2326-2332.WU M H,ZHANG G J,JIN C H.Time series prediction model based on multimodal information fusion[J].J Comput Appl,2022,42(8):2326-2332.DOI: 10.11772/j.issn.1001-9081.2021061053.

    [14]何澤森.移動APP日活躍用戶量預(yù)測研究[D].杭州:浙江工商大學(xué),2018.HE Z S.Research on forecasting the mobile APP daily active user[D].Hangzhou:Zhejiang Gongshang University,2018.

    [15]WONGSATHAN R,CHANKHAM S.Improvement on PM-10 forecast by using hybrid ARIMAX and neural networks model for the summer season in Chiang Mai[J].Procedia Comput Sci,2016,86:277-280.DOI: 10.1016/j.procs.2016.05.062.

    [16]ALADAG E.Forecasting of particulate matter with a hybrid ARIMA model based on wavelet transformation and seasonal adjustment[J].Urban Clim,2021,39:100930.DOI: 10.1016/j.uclim.2021.100930.

    [17]張棋.基于機器學(xué)習(xí)的中國氣象干旱時空預(yù)測研究[D].鄭州:華北水利水電大學(xué),2021.ZHANG Q.Study of meteorological drought spatiotemporal forecast methods in China based on machine learning[D].Zhengzhou:North China University of Water Resources and Electric Power,2021.

    [18]LU C G,ZHANG S A,XUE D,et al.Improved estimation of coalbed methane content using the revised estimate of depth and CatBoost algorithm:a case study from southern Sichuan basin,China[J].Comput Geosci,2022,158:104973.DOI: 10.1016/j.cageo.2021.104973.

    [19]DING Y,CHEN Z Q,LU W F,et al.A CatBoost approach with wavelet decomposition to improve satellite-derived high-resolution PM2.5 estimates in Beijing-Tianjin-Hebei[J].Atmos Environ,2021,249:118212.DOI: 10.1016/j.atmosenv.2021.118212.

    [20]OMIDVARNIA A,MESBAH M,PEDERSEN M,et al.Range entropy:a bridge between signal complexity and self-similarity[J].Entropy (Basel),2018,20(12):962.DOI: 10.3390/e20120962.

    [21]王涯鑫,李捷輝,王健.甲醇-柴油雙燃料發(fā)動機甲醇泄漏故障預(yù)診斷研究[J].車用發(fā)動機,2022(1):86-92.WANG Y X,LI J H,WANG J.Pre-diagnosis of methanol leakage fault for methanol-diesel dual fuel engine[J].Veh Engine,2022(1):86-92.DOI: 10.3969/j.issn.1001-2222.2022.01.014.

    [22]ZHENG J M,HU M X,WANG C H,et al.Spatial patterns of residents’ daily activity space and its influencing factors based on the CatBoost model:a case study of Nanjing,China[J].Front Archit Res,2022,11(6):1193-1204.DOI: 10.1016/j.foar.2022.04.003.

    [23]TAYLOR K E.Summarizing multiple aspects of model performance in a single diagram[J].J Geophys Res,2001,106(D7):7183-7192.DOI: 10.1029/2000jd900719.

    (責(zé)任編輯 孟苗婧 鄭琰燚)

    猜你喜歡
    模態(tài)誤差預(yù)測
    無可預(yù)測
    黃河之聲(2022年10期)2022-09-27 13:59:46
    選修2-2期中考試預(yù)測卷(A卷)
    選修2-2期中考試預(yù)測卷(B卷)
    角接觸球軸承接觸角誤差控制
    哈爾濱軸承(2020年2期)2020-11-06 09:22:26
    Beidou, le système de navigation par satellite compatible et interopérable
    壓力容器制造誤差探究
    不必預(yù)測未來,只需把握現(xiàn)在
    九十億分之一的“生死”誤差
    山東青年(2016年2期)2016-02-28 14:25:41
    國內(nèi)多模態(tài)教學(xué)研究回顧與展望
    基于HHT和Prony算法的電力系統(tǒng)低頻振蕩模態(tài)識別
    亚洲av在线观看美女高潮| 只有这里有精品99| 边亲边吃奶的免费视频| 亚洲精品成人久久久久久| 日韩伦理黄色片| 97超视频在线观看视频| 久久久精品94久久精品| 男女视频在线观看网站免费| 能在线免费观看的黄片| 亚洲精品乱码久久久v下载方式| 99热这里只有是精品50| 一个人看视频在线观看www免费| 黄色配什么色好看| 国产乱人视频| 国产不卡一卡二| 免费不卡的大黄色大毛片视频在线观看 | 好男人在线观看高清免费视频| 少妇熟女欧美另类| 日日啪夜夜爽| 男女那种视频在线观看| 亚洲性久久影院| 欧美最新免费一区二区三区| 国产黄频视频在线观看| 国产精品一及| 亚洲av福利一区| 91久久精品国产一区二区三区| 亚洲av日韩在线播放| 只有这里有精品99| 床上黄色一级片| 国产视频首页在线观看| 性色avwww在线观看| 丝袜美腿在线中文| 成人无遮挡网站| a级毛片免费高清观看在线播放| 午夜视频国产福利| 日本熟妇午夜| 成人亚洲精品一区在线观看 | 777米奇影视久久| 欧美性猛交╳xxx乱大交人| 亚洲高清免费不卡视频| 久久精品久久久久久久性| 男人狂女人下面高潮的视频| 日韩 亚洲 欧美在线| 99久国产av精品| 国产探花在线观看一区二区| 国产熟女欧美一区二区| 国产永久视频网站| 日韩一本色道免费dvd| 日产精品乱码卡一卡2卡三| 精华霜和精华液先用哪个| 自拍偷自拍亚洲精品老妇| av免费在线看不卡| 亚洲av免费在线观看| 久久久精品欧美日韩精品| 18禁在线无遮挡免费观看视频| 99热6这里只有精品| 久久精品国产亚洲av天美| 日韩欧美一区视频在线观看 | 精品熟女少妇av免费看| 蜜臀久久99精品久久宅男| av免费在线看不卡| 日本av手机在线免费观看| 国产在视频线精品| 国产91av在线免费观看| 午夜免费观看性视频| 网址你懂的国产日韩在线| 日韩人妻高清精品专区| 国内揄拍国产精品人妻在线| 中国国产av一级| 午夜老司机福利剧场| 成年免费大片在线观看| a级一级毛片免费在线观看| av在线亚洲专区| 成人亚洲精品一区在线观看 | 在线 av 中文字幕| 啦啦啦啦在线视频资源| 国产淫语在线视频| 国产男女超爽视频在线观看| ponron亚洲| 亚洲精品乱久久久久久| 国产亚洲av嫩草精品影院| 欧美 日韩 精品 国产| 午夜视频国产福利| 精品一区二区三区人妻视频| 纵有疾风起免费观看全集完整版 | 久久久亚洲精品成人影院| 最新中文字幕久久久久| 日韩成人av中文字幕在线观看| 国模一区二区三区四区视频| 一级av片app| 午夜视频国产福利| 成人毛片a级毛片在线播放| 亚洲精品成人久久久久久| 亚洲国产欧美在线一区| 亚洲最大成人手机在线| 国产高清三级在线| av.在线天堂| 欧美日韩精品成人综合77777| 国产亚洲午夜精品一区二区久久 | 日本欧美国产在线视频| 熟妇人妻不卡中文字幕| 日韩国内少妇激情av| 亚洲欧美日韩东京热| 欧美三级亚洲精品| 日韩不卡一区二区三区视频在线| 国产高清国产精品国产三级 | 最近手机中文字幕大全| 性色avwww在线观看| 色尼玛亚洲综合影院| 高清在线视频一区二区三区| a级毛色黄片| 麻豆av噜噜一区二区三区| 老女人水多毛片| 久久鲁丝午夜福利片| 久久精品人妻少妇| 国产男人的电影天堂91| or卡值多少钱| 又大又黄又爽视频免费| 亚洲欧洲日产国产| 午夜精品在线福利| 久久久久久久亚洲中文字幕| 在线天堂最新版资源| 亚洲av国产av综合av卡| 午夜激情久久久久久久| 在线免费十八禁| 国产成人午夜福利电影在线观看| 日韩中字成人| 亚洲国产最新在线播放| 国产午夜精品一二区理论片| 久久精品久久久久久噜噜老黄| 18禁在线无遮挡免费观看视频| 日本一本二区三区精品| 久久久亚洲精品成人影院| 亚洲av一区综合| 亚洲精品国产av蜜桃| 欧美日韩综合久久久久久| 九色成人免费人妻av| 一级黄片播放器| 久久精品国产亚洲av涩爱| 国产一区二区在线观看日韩| 日韩欧美精品免费久久| 欧美变态另类bdsm刘玥| 最新中文字幕久久久久| 人妻少妇偷人精品九色| 国产成人午夜福利电影在线观看| 国产爱豆传媒在线观看| 激情五月婷婷亚洲| a级毛色黄片| 美女被艹到高潮喷水动态| 一级毛片黄色毛片免费观看视频| 亚洲av成人精品一二三区| 国产av国产精品国产| 色视频www国产| 欧美变态另类bdsm刘玥| 亚洲色图av天堂| 老司机影院成人| 久久久久九九精品影院| 99热6这里只有精品| 亚洲av成人精品一区久久| 人人妻人人澡人人爽人人夜夜 | 久久这里只有精品中国| 日本av手机在线免费观看| 国产中年淑女户外野战色| 国产在视频线在精品| 黄色配什么色好看| 亚洲欧美成人综合另类久久久| 美女内射精品一级片tv| 在线免费观看不下载黄p国产| 国产视频内射| 99久国产av精品| 国产淫语在线视频| 亚洲精品,欧美精品| 国国产精品蜜臀av免费| 午夜激情福利司机影院| 日日摸夜夜添夜夜添av毛片| 永久免费av网站大全| 黑人高潮一二区| 亚洲国产最新在线播放| 能在线免费观看的黄片| 免费人成在线观看视频色| 国产免费一级a男人的天堂| 久久久久久久久久黄片| 国产淫片久久久久久久久| 国产色婷婷99| 日本黄大片高清| 国产精品一区二区三区四区久久| 麻豆成人午夜福利视频| 一级爰片在线观看| 岛国毛片在线播放| 久久精品国产自在天天线| 久久97久久精品| 亚洲精品456在线播放app| 不卡视频在线观看欧美| 免费播放大片免费观看视频在线观看| 亚洲精品国产av成人精品| 精品人妻一区二区三区麻豆| 九九在线视频观看精品| 国产精品国产三级国产av玫瑰| 亚洲国产最新在线播放| 99久久精品一区二区三区| 一区二区三区高清视频在线| 男女国产视频网站| 色视频www国产| 国产伦一二天堂av在线观看| 亚洲综合色惰| 少妇猛男粗大的猛烈进出视频 | 蜜桃亚洲精品一区二区三区| 国产午夜精品论理片| 久久热精品热| 国产成人福利小说| 三级毛片av免费| 99热这里只有是精品50| 亚洲性久久影院| 91午夜精品亚洲一区二区三区| 高清av免费在线| 久久久久九九精品影院| 日韩欧美一区视频在线观看 | 国产午夜精品久久久久久一区二区三区| 免费看美女性在线毛片视频| 久久精品久久久久久久性| 亚洲,欧美,日韩| 国产 一区精品| 搡老妇女老女人老熟妇| 精品人妻一区二区三区麻豆| 午夜福利高清视频| 精品不卡国产一区二区三区| 国产在视频线在精品| 最近中文字幕2019免费版| 亚洲av男天堂| 亚洲精品国产av成人精品| 老师上课跳d突然被开到最大视频| 国产午夜精品论理片| 欧美日韩综合久久久久久| 听说在线观看完整版免费高清| 亚洲国产精品国产精品| 天堂中文最新版在线下载 | 99久久精品国产国产毛片| 国产成人a区在线观看| 在线a可以看的网站| 日本午夜av视频| 欧美zozozo另类| 内地一区二区视频在线| 欧美xxⅹ黑人| 日本猛色少妇xxxxx猛交久久| 久久精品国产亚洲网站| 十八禁网站网址无遮挡 | 国产黄频视频在线观看| 亚洲熟妇中文字幕五十中出| 精品久久久精品久久久| 日韩一区二区视频免费看| 亚洲精品亚洲一区二区| 日日摸夜夜添夜夜爱| 色尼玛亚洲综合影院| 亚洲欧美精品自产自拍| 最近视频中文字幕2019在线8| 国产精品伦人一区二区| 老司机影院毛片| 精品国产三级普通话版| 狂野欧美激情性xxxx在线观看| 99热这里只有是精品在线观看| 国产成人freesex在线| 男女下面进入的视频免费午夜| 六月丁香七月| 国产探花在线观看一区二区| 亚洲熟女精品中文字幕| 亚洲欧美清纯卡通| 秋霞伦理黄片| 亚洲精品日韩av片在线观看| 日本欧美国产在线视频| 欧美激情国产日韩精品一区| 久久久久久久久久黄片| 一级黄片播放器| 小蜜桃在线观看免费完整版高清| 99久久精品热视频| 三级毛片av免费| 高清视频免费观看一区二区 | 免费观看无遮挡的男女| 午夜激情福利司机影院| 黄色日韩在线| xxx大片免费视频| 少妇熟女欧美另类| 三级男女做爰猛烈吃奶摸视频| 亚洲av.av天堂| 好男人在线观看高清免费视频| 在线播放无遮挡| 欧美日韩精品成人综合77777| 最近2019中文字幕mv第一页| 国产爱豆传媒在线观看| 午夜福利视频1000在线观看| 亚洲一级一片aⅴ在线观看| 精品久久久精品久久久| 日本熟妇午夜| 激情五月婷婷亚洲| 80岁老熟妇乱子伦牲交| 国产国拍精品亚洲av在线观看| av线在线观看网站| 精品人妻视频免费看| 精品人妻熟女av久视频| 1000部很黄的大片| 嫩草影院入口| 亚洲欧美日韩东京热| 激情五月婷婷亚洲| 久久久久久久久中文| 日韩欧美三级三区| 日韩欧美国产在线观看| 久久久久久久久大av| 中文字幕免费在线视频6| 蜜臀久久99精品久久宅男| 人妻少妇偷人精品九色| 午夜福利高清视频| 最近2019中文字幕mv第一页| 久久久亚洲精品成人影院| 高清欧美精品videossex| 欧美最新免费一区二区三区| 美女内射精品一级片tv| 老司机影院毛片| 丝袜美腿在线中文| 免费无遮挡裸体视频| 超碰av人人做人人爽久久| 中文字幕av在线有码专区| 亚洲18禁久久av| 亚洲国产精品国产精品| 亚洲国产av新网站| 久热久热在线精品观看| eeuss影院久久| 三级国产精品片| 国产永久视频网站| 午夜爱爱视频在线播放| 成人毛片a级毛片在线播放| 国产精品熟女久久久久浪| av福利片在线观看| 久久午夜福利片| 九草在线视频观看| 久久97久久精品| 人妻一区二区av| 国产精品三级大全| 国产欧美日韩精品一区二区| 亚洲内射少妇av| 亚洲人成网站高清观看| 国产一区亚洲一区在线观看| 老女人水多毛片| 日日撸夜夜添| 高清毛片免费看| 欧美bdsm另类| 久久久久久久大尺度免费视频| 日韩人妻高清精品专区| 51国产日韩欧美| 边亲边吃奶的免费视频| 国产黄色视频一区二区在线观看| 精品人妻偷拍中文字幕| 久久久久网色| 三级国产精品欧美在线观看| 五月天丁香电影| 国产成人精品久久久久久| 国产亚洲av嫩草精品影院| 你懂的网址亚洲精品在线观看| 性色avwww在线观看| 精品国产一区二区三区久久久樱花 | 中文资源天堂在线| 18禁在线播放成人免费| 欧美激情国产日韩精品一区| 欧美激情在线99| 岛国毛片在线播放| 久久午夜福利片| 成人亚洲欧美一区二区av| 欧美日韩国产mv在线观看视频 | 伊人久久精品亚洲午夜| 国产免费视频播放在线视频 | 亚洲四区av| 在线天堂最新版资源| 亚洲精品国产av成人精品| 全区人妻精品视频| 成年人午夜在线观看视频 | 亚洲综合精品二区| 日本-黄色视频高清免费观看| 亚洲va在线va天堂va国产| 国产精品久久久久久久电影| 国产片特级美女逼逼视频| 国产免费福利视频在线观看| 久久国内精品自在自线图片| 我的老师免费观看完整版| 男人和女人高潮做爰伦理| 成年女人看的毛片在线观看| 国产老妇伦熟女老妇高清| 欧美精品一区二区大全| av女优亚洲男人天堂| 我的老师免费观看完整版| 国产精品久久久久久精品电影小说 | 亚洲人成网站在线播| 久久久久精品久久久久真实原创| 亚洲图色成人| 七月丁香在线播放| 成人美女网站在线观看视频| 日韩av免费高清视频| 精品久久久久久久人妻蜜臀av| 男女边吃奶边做爰视频| 欧美高清成人免费视频www| av在线天堂中文字幕| 99re6热这里在线精品视频| 两个人视频免费观看高清| 亚洲色图av天堂| av国产久精品久网站免费入址| 国产有黄有色有爽视频| 国产人妻一区二区三区在| 亚洲精品自拍成人| 亚洲一区高清亚洲精品| 国产黄色免费在线视频| 91精品国产九色| 国内揄拍国产精品人妻在线| 真实男女啪啪啪动态图| 天堂√8在线中文| 国产在线男女| 欧美性感艳星| 久久久久国产网址| 一区二区三区免费毛片| 精品熟女少妇av免费看| 午夜激情欧美在线| 精华霜和精华液先用哪个| 九九爱精品视频在线观看| 亚洲av男天堂| 可以在线观看毛片的网站| 国产精品日韩av在线免费观看| 少妇的逼水好多| 舔av片在线| 免费看光身美女| 免费观看无遮挡的男女| 欧美日韩一区二区视频在线观看视频在线 | 亚洲av一区综合| 色综合色国产| 一级毛片我不卡| 亚洲第一区二区三区不卡| 中文乱码字字幕精品一区二区三区 | 视频中文字幕在线观看| 看免费成人av毛片| 亚洲精品国产av成人精品| 国内精品美女久久久久久| 老司机影院成人| ponron亚洲| 一级黄片播放器| 亚洲成人精品中文字幕电影| 内地一区二区视频在线| 免费不卡的大黄色大毛片视频在线观看 | 精华霜和精华液先用哪个| 久久久久久久大尺度免费视频| 搡女人真爽免费视频火全软件| 亚洲天堂国产精品一区在线| 一边亲一边摸免费视频| 亚洲人成网站在线观看播放| 一级二级三级毛片免费看| 99re6热这里在线精品视频| 一二三四中文在线观看免费高清| 九九在线视频观看精品| 成人性生交大片免费视频hd| 国产av在哪里看| 极品教师在线视频| 高清日韩中文字幕在线| 中文字幕久久专区| 99九九线精品视频在线观看视频| 国产精品.久久久| 一区二区三区免费毛片| 两个人的视频大全免费| 韩国高清视频一区二区三区| eeuss影院久久| 欧美高清性xxxxhd video| 美女主播在线视频| 国产亚洲av片在线观看秒播厂 | 高清在线视频一区二区三区| 国产国拍精品亚洲av在线观看| 亚洲欧美成人精品一区二区| 国产成人a∨麻豆精品| 肉色欧美久久久久久久蜜桃 | 久久久久久久久中文| 日本免费a在线| 国产精品一区二区三区四区免费观看| 男插女下体视频免费在线播放| 少妇高潮的动态图| 国产精品熟女久久久久浪| 亚洲精品日韩在线中文字幕| 欧美极品一区二区三区四区| av又黄又爽大尺度在线免费看| 午夜免费男女啪啪视频观看| 69人妻影院| 国产老妇女一区| 久99久视频精品免费| 久久99精品国语久久久| 亚洲av电影不卡..在线观看| 国产精品一及| 亚洲国产日韩欧美精品在线观看| 在线观看美女被高潮喷水网站| 网址你懂的国产日韩在线| 成年人午夜在线观看视频 | 非洲黑人性xxxx精品又粗又长| 哪个播放器可以免费观看大片| 久久久a久久爽久久v久久| 色综合站精品国产| 黄色一级大片看看| 国产片特级美女逼逼视频| 欧美日韩在线观看h| videos熟女内射| 国产精品爽爽va在线观看网站| 内射极品少妇av片p| 午夜免费激情av| 亚洲精品自拍成人| 直男gayav资源| 精品久久久久久久久av| 日韩,欧美,国产一区二区三区| 亚洲综合精品二区| 国内少妇人妻偷人精品xxx网站| 免费黄色在线免费观看| 国产一区二区在线观看日韩| 精品久久久噜噜| 深爱激情五月婷婷| 欧美日韩综合久久久久久| 亚洲成人久久爱视频| 国产真实伦视频高清在线观看| 国产在视频线在精品| 国产成人福利小说| 日韩国内少妇激情av| 亚洲欧美清纯卡通| 免费看a级黄色片| 九九爱精品视频在线观看| 国产av不卡久久| 色5月婷婷丁香| 精品久久久久久久末码| 中文字幕av成人在线电影| 久热久热在线精品观看| 精品午夜福利在线看| 尾随美女入室| 91精品伊人久久大香线蕉| 人妻夜夜爽99麻豆av| 麻豆精品久久久久久蜜桃| 亚洲欧洲国产日韩| 天堂av国产一区二区熟女人妻| 天美传媒精品一区二区| 午夜福利在线观看免费完整高清在| 少妇熟女欧美另类| 免费av毛片视频| 免费看不卡的av| 18禁在线无遮挡免费观看视频| 日韩人妻高清精品专区| 成年av动漫网址| 麻豆国产97在线/欧美| 欧美激情国产日韩精品一区| 禁无遮挡网站| 国产一区二区三区av在线| 十八禁国产超污无遮挡网站| 国产亚洲最大av| 免费无遮挡裸体视频| 国产精品一区www在线观看| 亚洲成人中文字幕在线播放| 丝袜喷水一区| 综合色丁香网| 身体一侧抽搐| 特大巨黑吊av在线直播| 久久久久久国产a免费观看| 白带黄色成豆腐渣| 狂野欧美白嫩少妇大欣赏| 色综合亚洲欧美另类图片| kizo精华| 2021少妇久久久久久久久久久| 精华霜和精华液先用哪个| av专区在线播放| 精品久久久久久久末码| 亚洲精品,欧美精品| 国产成人精品一,二区| 国精品久久久久久国模美| 国产乱人视频| 国产综合懂色| 啦啦啦中文免费视频观看日本| 成人毛片60女人毛片免费| 内地一区二区视频在线| 舔av片在线| 亚洲欧美一区二区三区黑人 | av免费在线看不卡| 久久精品国产亚洲av涩爱| 亚洲欧美中文字幕日韩二区| 国产伦精品一区二区三区视频9| 午夜免费男女啪啪视频观看| 亚洲精品国产av成人精品| 亚洲成人中文字幕在线播放| a级一级毛片免费在线观看| 能在线免费看毛片的网站| 少妇人妻一区二区三区视频| 黄色欧美视频在线观看| 男女视频在线观看网站免费| 人人妻人人澡欧美一区二区| 成人综合一区亚洲| 精品久久久久久久末码| 欧美日韩在线观看h| 亚洲丝袜综合中文字幕| 欧美日韩国产mv在线观看视频 | av.在线天堂| 亚洲av电影不卡..在线观看| 久久精品综合一区二区三区| 内射极品少妇av片p| 精品人妻熟女av久视频| www.色视频.com| 国产探花极品一区二区| 国产人妻一区二区三区在| 国产成人免费观看mmmm| 欧美日本视频| 婷婷色综合www| 久久久久精品久久久久真实原创| 中文资源天堂在线| 麻豆成人午夜福利视频| 街头女战士在线观看网站| 中文字幕久久专区| 国模一区二区三区四区视频| 哪个播放器可以免费观看大片| 小蜜桃在线观看免费完整版高清| 美女cb高潮喷水在线观看| 久久精品久久久久久噜噜老黄| 国产午夜精品一二区理论片| 国产精品熟女久久久久浪| 久久久成人免费电影|