• <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 ?

    基于完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解的短時(shí)交通流組合預(yù)測(cè)

    2024-10-11 00:00:00熊浩張麗郝椿淋
    物流科技 2024年19期

    摘 要:為了提高短時(shí)交通流預(yù)測(cè)的準(zhǔn)確性,鑒于短時(shí)交通流非平穩(wěn)、難預(yù)測(cè)的特征,提出了基于完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)短時(shí)交通流組合預(yù)測(cè)方法。利用CEEMDAN將原始短時(shí)交通流信號(hào)進(jìn)行分解得多個(gè)復(fù)雜度、頻率不同的時(shí)間序列分量,利用排列熵算法(PE算法)計(jì)算各分量的復(fù)雜度;然后根據(jù)復(fù)雜度和隨機(jī)性的不同分為高頻和低頻,分別使用ATT-TCN-BIGRU模型和ARIMA模型對(duì)高頻分量和低頻分量進(jìn)行預(yù)測(cè),最后疊加高頻和低頻的每個(gè)分量預(yù)測(cè)結(jié)果作為最終短時(shí)交通流預(yù)測(cè)值。仿真分析結(jié)果表明:與ARIMA模型、TCN模型、BIGRU模型、ATT-TCN-BIGRU模型相比,此模型的平均絕對(duì)誤差及平均絕對(duì)百分比誤差為最小,預(yù)測(cè)精度更高。

    關(guān)鍵詞:短時(shí)交通流預(yù)測(cè);完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解;排列熵;組合預(yù)測(cè)

    中圖分類號(hào):F503 文獻(xiàn)標(biāo)志碼:A

    DOI:10.13714/j.cnki.1002-3100.2024.19.022

    Abstract: In order to improve the accuracy of short-term traffic flow prediction, a short-term traffic flow combination predictiRRdl2+Lq3ZCtRCu/LEQt4A==on method based on Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise(CEEMDAN)is proposed in view of the non-stationary and unpredictable characteristics of short-term traffic flow. CEEMDAN is used to decompose the original short-time traffic flow signal into multiple time series components with different complexity and frequency, and the complexity of each component is calculated by permutation entropy algorithm(PE algorithm). Then, according to the complexity and randomness, it is divided into high frequency and low frequency, and the ATT-TCN-BIGRU model and ARIMA model are used to predict the high frequency component and low frequency component, and finally the prediction results of each component of high frequency and low frequency are superimposed as the final short-term traffic flow prediction value. The simulation results show that compared with the ARIMA model, TCN model, BIGRU model and ATT-TCN-BIGRU model, the average absolute error and average absolute percentage error of this model are the smallest, and the prediction accuracy is higher.

    Key words: short-term traffic flow forecasting; complementary ensemble empirical mode decomposition with adaptive noise; permutation entropy; combined prediction

    隨著經(jīng)濟(jì)的發(fā)展和國(guó)家城市化的推進(jìn),機(jī)動(dòng)車的保有量的激增給城市道路系統(tǒng)帶來(lái)巨大壓力,道路出現(xiàn)擁堵、通行能力下降等問(wèn)題。智能交通系統(tǒng)根據(jù)實(shí)時(shí)交通信息,對(duì)交通流量進(jìn)行疏導(dǎo)及控制,以減少出現(xiàn)道路擁堵的概率,從而達(dá)到緩解交通壓力的目的。高效且精準(zhǔn)的短時(shí)交通流預(yù)測(cè)是智能交通系統(tǒng)的重要組成部分,也是交通領(lǐng)域內(nèi)研究的一個(gè)重點(diǎn)。

    隨著算法的更新,短時(shí)交通流的精度也在不斷提高。近年來(lái),國(guó)內(nèi)外學(xué)者根據(jù)算法的優(yōu)點(diǎn)并結(jié)合所需預(yù)測(cè)實(shí)際情況而選擇合適智能算法組合進(jìn)行預(yù)測(cè),這樣有效的提升了預(yù)測(cè)的準(zhǔn)確性。張文勝等[1]引入改進(jìn)的灰狼算法(TGWO)來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立模型;張璽君等[2]將季節(jié)性差分自回歸滑動(dòng)平均模型和Elman遞歸神經(jīng)網(wǎng)絡(luò)有效的融合,提出的一種基于SARIMA-GA-ELMAN的組合預(yù)測(cè)模型。胡松等[3]在使用最小二乘支持向量(LSSVM)的基礎(chǔ)上引入改進(jìn)后的算法對(duì)其進(jìn)行優(yōu)化建立ABOA-LSSVM預(yù)測(cè)模型,Liu et al.[4]將改進(jìn)的LSTM與ARIMA結(jié)合構(gòu)建SDLSTM-ARIMA模型,在改善算法不足的同時(shí)提升了預(yù)測(cè)的精度;Chai et al.[5]在將CNN與BIGRU結(jié)合的同時(shí)引入注意力機(jī)制構(gòu)建CNN-BIGRU-ATT模型,多特征融合模型相較于基線模型有較好的預(yù)測(cè)效果。隨著算法的發(fā)展,一些學(xué)者從非平穩(wěn)性及非線性角度出發(fā),降低交通流量時(shí)間序列非平穩(wěn)性來(lái)提升預(yù)測(cè)效果,目前用于提高模型精度的時(shí)間序列分解方法很多。邴其春等[6]提出交通流經(jīng)過(guò)經(jīng)變分模態(tài)(VMD)分解后與長(zhǎng)短時(shí)間記憶(LSTM)神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型。馬瑩瑩等[7]提出一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)結(jié)合小波分析的短時(shí)交通流預(yù)測(cè)模型;Xiu et al.[8]為準(zhǔn)確地捕捉其非線性和不穩(wěn)定的趨勢(shì),提出了EEMD-BIGRU模型。EEMD分解中存在分解后殘留白噪聲的問(wèn)題,CEEMDAN可以很好的解決這一問(wèn)題,將CEEMDAN優(yōu)點(diǎn)與其他算法有點(diǎn)相結(jié)合可以很好提升預(yù)測(cè)精度[9-11];Rajalakshmi V et al.[12]將深度學(xué)習(xí)與ARIMA結(jié)合,提出一種新的混合短時(shí)交通流預(yù)測(cè)模型。上述模型中也考慮到分解后再預(yù)測(cè)思想,但是對(duì)分量特征考慮的不充分,因此如何建立適合分解后各個(gè)交通流時(shí)間分量特征的預(yù)測(cè)模型是在提升交通流預(yù)測(cè)精度方面仍需深入研究的問(wèn)題。

    為了提升短時(shí)交通流預(yù)測(cè)精度,本文提出了一種基于完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解的短時(shí)交通流組合預(yù)測(cè)方法。首先采用完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)算法對(duì)原始交通流進(jìn)行分解;然后使用排列熵算法對(duì)各分量進(jìn)行復(fù)雜度檢驗(yàn)并將其分為高頻和低頻,其中高頻分量采用注意力機(jī)制-時(shí)間卷積網(wǎng)絡(luò)-雙向門控制循環(huán)單元(ATT-TCN-BIGRU)模型進(jìn)行預(yù)測(cè),低頻采用自回歸差分平移平均(ARIMA)模型進(jìn)行預(yù)測(cè)。再后將各分量的預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終的預(yù)測(cè)結(jié)果。最后將此模型的預(yù)測(cè)結(jié)果與ARIMA模型、TCN模型、BIGRU模型及ATT-TCN-BIGRU模型預(yù)測(cè)結(jié)果進(jìn)行比較。

    1 理 論

    1.1 CEEMDAN算法

    完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)算法是從EMD算法和EEMD算法改進(jìn)過(guò)來(lái)的,很好的解決了上述兩種中模態(tài)混疊和分解后殘留白噪聲的問(wèn)題,具有很好的分解完備性。CEEMDAN分解如下:

    (1)將高斯白噪聲βm加入到原始交通流信號(hào)Ym中,得到Y(jié)m=Ym+Tβm,其中T為噪聲標(biāo)準(zhǔn)差。

    (2)利用EMD對(duì)Ym進(jìn)行I次分解得到CEEMDAN的IMF,并計(jì)算殘余項(xiàng)rm。

    IMF=IMFm (1)

    rm=Ym-IMFm (2)

    (3)對(duì)rm+TIMF

    βm進(jìn)行EMD信號(hào)分解得到CEEMDAN第2階段的IMF和殘余項(xiàng)rm。

    rm=rm-IMFm (4)

    (4)以此類推計(jì)算至l+1階段,得第l階段的殘余項(xiàng)rm和第l+1個(gè)模態(tài)分量IMF。

    (5)重復(fù)執(zhí)行步驟(4)直到余量不能再分解。最終得到殘余序列Rm和固有模態(tài)分解量IMF,原始信號(hào)Ym可表示為:

    Ym=IMFm+Rm (7)

    1.2 排列熵算法(PE算法)

    PE算法可以量化時(shí)間序列中的不規(guī)則程度,是一種基于排列的信息熵度量方法,可用于研究時(shí)間序列復(fù)雜性和隨機(jī)性。其原理如下:

    給定時(shí)間序列yj, j=1,2,3,…, j=m, 其長(zhǎng)度為m。

    對(duì)時(shí)間序列進(jìn)行重構(gòu),得相空間矩陣Y,如下:

    Y= (8)

    式(8)中:n為嵌入維度;t為時(shí)延。

    對(duì)相空間矩陣Y中第k個(gè)向量Yk按升序重排,則有Yj+k-1t≤Yj+k-1t≤…≤Yj+k-1t。n維的有Y的排列方式n!種,經(jīng)重排的Yk為n!種排列方式中的一種。在d1≤k≤n種排列方式中,其中一種排列方式的概率pd如下:

    計(jì)算排列熵Hn的算式為:

    1.3 時(shí)間卷積神經(jīng)網(wǎng)路(TCN)

    時(shí)間卷積網(wǎng)絡(luò)(TCN)用來(lái)提取時(shí)間序列的高級(jí)特征,旨在捕獲時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系,并在許多時(shí)間序列任務(wù)中取得了良好的性能。其構(gòu)成部分分為因果卷積、膨脹卷積和殘差模塊。

    因果卷積。TCN采用一維全卷積和因果卷積,可以保證網(wǎng)絡(luò)輸出長(zhǎng)度和輸入長(zhǎng)度相同,且未來(lái)數(shù)據(jù)不會(huì)發(fā)生泄露。下面是因果卷積的定義序列Y=y,y,y,…,y,濾波器F=f,f,…,f,在y處的因果卷積為:

    膨脹卷積。為了獲取較長(zhǎng)的時(shí)間序列,TCN采用膨脹卷積。下面是膨脹卷積的定義序列Y=y,y,y,…,y,濾波器F=f,f,…,f,在y處的膨脹因子為d的膨脹卷積為:

    殘差模塊。因果卷積和膨脹卷積的引入會(huì)產(chǎn)生梯度消失或梯度爆炸問(wèn)題,殘差模塊引入,將模型的輸入y加權(quán)融合到模型的輸入Fy中最終得到TCN的輸出z,Activation為激活函數(shù)。

    z=Activationy+Fy (13)

    1.4 注意力機(jī)制

    注意力機(jī)制(Attention Mechanism)是一種用于增強(qiáng)神經(jīng)網(wǎng)絡(luò)在處理序列數(shù)據(jù)或集合數(shù)據(jù)時(shí)的能力的技術(shù)。它在時(shí)間序列建模任務(wù)中廣泛應(yīng)用,并為模型提供了一種重要的機(jī)制,這種機(jī)制是模仿人類在看某處畫面時(shí)注意力狀態(tài),在處理長(zhǎng)序列時(shí)能夠更好地關(guān)注重要信息并忽略不相關(guān)的部分[10]。本文注意力機(jī)制的原理:為TCN輸出的值分配一個(gè)注意力權(quán)重,這些權(quán)重可以通過(guò)學(xué)習(xí)來(lái)自動(dòng)確定,相乘后的結(jié)果作為BIGRU的輸入,然后BIGRU模型可以選擇性地關(guān)注不同的輸入元素,實(shí)現(xiàn)對(duì)重要信息的集中處理,以提高預(yù)測(cè)的精度。

    1.5 雙向門控制循環(huán)單元(BIGRU)

    門控循環(huán)單元(Gated Recurrent Unit, GRU)是在LSTM的基礎(chǔ)上演化而來(lái)[13],GRU能最大程度的減輕序列過(guò)長(zhǎng)時(shí)存在的梯度爆炸或梯度消失問(wèn)題,能很好的處理時(shí)間序列問(wèn)題,對(duì)新樣本有較強(qiáng)適應(yīng)能力。GRU公式如下:

    式(14)至式(17)中:t為時(shí)刻;y為更新門;r為重置門;w為權(quán)重矩陣;δ為sigmoid函數(shù);h為輸出值;*為哈達(dá)瑪積。

    BIGRU是由正向傳播和反向傳播的雙向循環(huán)網(wǎng)絡(luò)構(gòu)成,這樣同時(shí)考慮到數(shù)據(jù)前后變化規(guī)律,更好的發(fā)現(xiàn)數(shù)據(jù)的時(shí)序特征,結(jié)構(gòu)如圖1所示。

    BIGRU公式如下:

    式(18)至式(20)中:w為t時(shí)刻前向隱藏層的權(quán)重;為t時(shí)刻前向隱藏層的狀態(tài);w為t時(shí)刻后向隱藏層的權(quán)重;為t時(shí)刻后向隱藏層的狀態(tài);b為t時(shí)刻隱藏層狀態(tài)的偏置;GRU為網(wǎng)絡(luò)運(yùn)算過(guò)程。

    1.6&nbsp; ARIMA算法

    自回歸差分平移平均模型(ARIMA模型)是由Ziegel和Jenkins提出來(lái)用于分析和預(yù)測(cè)時(shí)間序列數(shù)據(jù)的方法,它是一個(gè)適合預(yù)測(cè)線性平穩(wěn)時(shí)間序列的回歸模型,具有對(duì)線性捕捉能力強(qiáng),設(shè)定簡(jiǎn)單的特點(diǎn)。ARIMA模型由三個(gè)部分組成:自回歸(AR)模型、差分法(I)以及移動(dòng)平均(MA)模型。AR模型表示前值和現(xiàn)值有怎樣的關(guān)系,MA模型表示的是將自回歸模型中誤差項(xiàng)加和的結(jié)果;三者結(jié)合便可得到ARIMA模型。其表達(dá)式如下:

    x=ux+ε+γε+b (21)

    式(21)中:u表示自回歸系數(shù);γ表示移動(dòng)平均系數(shù);ε表示正態(tài)分布的誤差項(xiàng);x表示時(shí)間序列數(shù)據(jù)值;b表示常數(shù);t是t時(shí)刻;p表示時(shí)序數(shù)據(jù)的滯后數(shù),即(AR)項(xiàng);q表示預(yù)測(cè)誤差的滯后數(shù),即(MA)項(xiàng)。

    1.7 注意力機(jī)制-時(shí)間卷積網(wǎng)絡(luò)-雙向門控制循環(huán)單元模型(ATT-TCN-BIGRU模型)

    Nqt7PW9KG3dsmQZPmoXCEg== 時(shí)間卷積網(wǎng)絡(luò)(TCN)是由卷積神經(jīng)網(wǎng)絡(luò)CNN變體而來(lái),它可以直接使用卷積的特性來(lái)體現(xiàn)時(shí)間序列的高級(jí)持征,同時(shí)通過(guò)可擴(kuò)張卷積結(jié)構(gòu)捕獲長(zhǎng)期依賴關(guān)系,引入注意力機(jī)制,可以讓模型更加關(guān)注TCN提取出的特征中的重要部分,然后根據(jù)上下文動(dòng)態(tài)地分配不同特征的權(quán)重,同時(shí)模型也會(huì)根據(jù)數(shù)據(jù)的重要性進(jìn)行自適應(yīng)的特征加權(quán)。將TCN和注意力機(jī)制的結(jié)合可以使模型在不同的層級(jí)上對(duì)序列數(shù)據(jù)進(jìn)行特征提取和加權(quán)處理,這樣的多層級(jí)特征表示能夠更全面地學(xué)習(xí)序列數(shù)據(jù)不同抽象層次的特征。BIGRU作為雙向循環(huán)神經(jīng)網(wǎng)絡(luò)可以同時(shí)考慮過(guò)去和未來(lái)的上下文信息,這也使其可以更好地捕獲序列中的全局結(jié)構(gòu)。將三者結(jié)合起來(lái)使模型可以顧及過(guò)去和未來(lái)有效地掌握全局的結(jié)構(gòu),使模型更適合處理大規(guī)模和復(fù)雜的序列數(shù)據(jù),以提高對(duì)序列數(shù)據(jù)的理解和建模能力,從而提高預(yù)測(cè)結(jié)果的精準(zhǔn)度。ATT-TCN-BIGRU模型結(jié)構(gòu)如圖2所示。

    2 基于完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解的短時(shí)交通流組合預(yù)測(cè)模型

    2.1 基于此模型的短時(shí)交通流預(yù)測(cè)

    交通流預(yù)測(cè)領(lǐng)域中,短時(shí)交通流有非平穩(wěn)、隨機(jī)性高及難預(yù)測(cè)等特征,基于這些特征,本文提出了基于完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解的短時(shí)交通流預(yù)測(cè)模型,此模型相比于單一的預(yù)測(cè)模型有更好的預(yù)測(cè)效果。CEEMDAN分解相加與EMD和EEMD可以將模態(tài)混疊和分解后殘留白噪聲的問(wèn)題處理很好,分解的結(jié)果會(huì)更精準(zhǔn),本文使用CEEMDAN對(duì)原始交通流分解得到多個(gè)不同的分量,然后使用PE算法對(duì)各個(gè)分量進(jìn)行隨機(jī)性分析,將時(shí)間序列分量分為高頻和低頻??紤]到BIGRU算法可以通過(guò)在當(dāng)前時(shí)刻同時(shí)考慮前后幾個(gè)時(shí)間步的交通流量,且可以很好捕獲序列中的全局結(jié)構(gòu),對(duì)非線性交通流有良好的預(yù)測(cè)效果,因此使用BIGRU對(duì)高頻分量進(jìn)行預(yù)測(cè),為了提高預(yù)測(cè)效果,在BIGRU的基礎(chǔ)上引入注意力機(jī)制和時(shí)間卷積網(wǎng)絡(luò)(TCN),TCN可以直接使用卷積的特性來(lái)提現(xiàn)時(shí)間序列的高級(jí)持征,注意力機(jī)制可以根據(jù)上下文動(dòng)態(tài)的TCN提取的特征分配不同特征的權(quán)重,以對(duì)不同特征進(jìn)行不同的關(guān)注,使BIGRU算法捕捉特征時(shí)更有側(cè)重點(diǎn),建立ATT-TCN-BIGRU預(yù)測(cè)模型;考慮到自回歸差分平移平均模型(ARIMA)可以很好的預(yù)測(cè)平穩(wěn)的時(shí)間序列,使用ARIMA算法對(duì)低頻分量進(jìn)行預(yù)測(cè)。最后將每個(gè)分量的預(yù)測(cè)結(jié)果進(jìn)行疊加,得到短時(shí)交通流最終預(yù)測(cè)值。基于完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解的短時(shí)交通流預(yù)測(cè)模型流程圖如圖3所示。

    基于完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解的短時(shí)交通流組合預(yù)測(cè)模型步驟:(1)使用CEEMDAN對(duì)原始交通流時(shí)間序列進(jìn)行分解,得到m個(gè)IMF分量;(2)使用排列熵(PE)算法對(duì)IMF分量進(jìn)行隨機(jī)分析,并計(jì)算每個(gè)IMF分量的排列熵值,將分量分為高頻分量和低頻分量;(3)使用ATT-TCN-BIGRU模型對(duì)非平穩(wěn)且隨機(jī)性高的高頻IMF分量進(jìn)行預(yù)測(cè),使用ARIMA模型對(duì)穩(wěn)定且隨機(jī)性低的低頻IMF分量進(jìn)行預(yù)測(cè);(4)將每個(gè)IMF分量的預(yù)測(cè)結(jié)果進(jìn)行疊加,得到最終短時(shí)交通流預(yù)測(cè)值。

    2.2 評(píng)價(jià)指標(biāo)

    預(yù)測(cè)評(píng)價(jià)指標(biāo)是一種度量預(yù)測(cè)模型準(zhǔn)確性的標(biāo)準(zhǔn)化方式,可以用來(lái)分析對(duì)比預(yù)測(cè)效果,通過(guò)評(píng)估模型的準(zhǔn)確性來(lái)比較模型預(yù)測(cè)效果。均方根誤差RMSE衡量的是預(yù)測(cè)值與實(shí)際值之間的誤差大小;平均百分比誤差MAPE是預(yù)測(cè)誤差的絕對(duì)值占實(shí)際值的百分比的平均值,能夠量化預(yù)測(cè)值相對(duì)于實(shí)際值的百分比誤差,二者皆是之前越小預(yù)測(cè)效果越好,本文使用這兩指標(biāo)作為評(píng)價(jià)標(biāo)準(zhǔn)。評(píng)價(jià)指標(biāo)公式如下:

    RMSE= (22)

    MAPE= (23)

    式(22)、式(23)中:yj表示j時(shí)刻流量的實(shí)際數(shù)據(jù),j表示j時(shí)刻的流量預(yù)測(cè)數(shù)據(jù),n表示預(yù)測(cè)樣本數(shù)量。

    3 仿真結(jié)果分析

    3.1 數(shù)據(jù)篩選

    道路交通流之所以會(huì)呈現(xiàn)出非線性和不確定性的特征,是因?yàn)榈缆飞洗嬖诤芏嘤绊懡煌ǖ囊蛩兀纾和话l(fā)狀況、惡劣天氣、道路施工、信號(hào)燈配時(shí)等因素。即使有很多影響因素,但是繪出原始交通流的圖后發(fā)現(xiàn)還是呈現(xiàn)一定規(guī)律的,以15min為間隔的原始數(shù)據(jù)曲線圖如圖4所示。為了驗(yàn)證基于完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解的短時(shí)交通流預(yù)測(cè)模型對(duì)短時(shí)交通流預(yù)測(cè)效果,數(shù)據(jù)來(lái)源于PeMS系統(tǒng)2019年8月1日—2019年8月15日,15天以15min為時(shí)間單位采樣的數(shù)據(jù)結(jié)果。

    先對(duì)原始交通流數(shù)據(jù)進(jìn)行處理,最后得到1 440個(gè)數(shù)據(jù)。將處理好的數(shù)據(jù)輸入建立好的模型中。用前面的交通流數(shù)據(jù)作為訓(xùn)練集來(lái)預(yù)測(cè)最后一天交通流數(shù)據(jù)。將前面14天的1 344個(gè)數(shù)據(jù)作為模型訓(xùn)練集來(lái)輸入,最后一天的96個(gè)數(shù)據(jù)作為驗(yàn)證集輸出。

    3.2 基于CEEMDAN算法的分解

    基于Python軟件,使用CEEMDAN算法對(duì)處理后的數(shù)據(jù)進(jìn)行分解,將參數(shù)設(shè)置為:加入高斯白噪聲的組數(shù)為100,高斯白噪聲的標(biāo)準(zhǔn)差為0.2,迭代次數(shù)為500。則處理后的數(shù)據(jù)經(jīng)CEEMDAN的分解得到12個(gè)平穩(wěn)性和隨機(jī)性不同的IMF分量。經(jīng)CEEMDAN分解后的各個(gè)序列圖像如圖5所示。

    為了提高運(yùn)算效率,基于Python計(jì)算得到各個(gè)IMF分量的排列熵值,參數(shù)設(shè)置為:嵌入維數(shù)為6,延遲時(shí)間為3。各IMF分量的排列熵值如表1所示,排列熵值趨勢(shì)如圖6所示。將排列熵值大于等于0.5的IMF分量看作高頻分量,排列熵值小于0.5的IMF分量看作低頻分量[14]。從表1和圖6中可以看出IMF1—IMF7為高頻分量,不穩(wěn)定且隨機(jī)性強(qiáng);IMF8—IMF11及res殘差項(xiàng)為低頻分量,穩(wěn)定且隨機(jī)性弱。

    3.3?; 基于完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解的短時(shí)交通流預(yù)測(cè)

    鑒于高頻分量和低頻分量的特點(diǎn)不同,分別建立ATT-TCN-BIGRU預(yù)測(cè)模型和ARIMA預(yù)測(cè)模型。對(duì)于高頻分量IMF1

    —IMF7,使用ATT-TCN-BIGRU模型進(jìn)行預(yù)測(cè);對(duì)于低頻分量IMF8—IMF11及res殘差項(xiàng),使用ARIMA模型進(jìn)行預(yù)測(cè)。各分量預(yù)測(cè)值與真實(shí)值對(duì)比結(jié)果如圖7所示。

    為了驗(yàn)證本組合模型對(duì)短時(shí)交通流預(yù)測(cè)效果,將ARIMA模型、TCN模型、BIGRU模型、ATT-TCN-BIGRU模型與本模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,如圖8所示。本文模型與其他模型的性能結(jié)果對(duì)比如表2所示。

    從表2中的結(jié)果評(píng)價(jià)指標(biāo)可以看出,相比于其他幾個(gè)模型,本文提出的組合模型的預(yù)測(cè)值與真實(shí)值的擬合效果最好。從表2中可以得出,ARIMA模型的擬合效果最差,這是因?yàn)槎虝r(shí)交通流隨機(jī)性較高,ARIMA模型一般適用于平穩(wěn)的時(shí)間序列;TCN模型和BIGRU模型的預(yù)測(cè)值對(duì)真實(shí)值的擬合效果相比于ARIMA模型呈現(xiàn)出變好的趨勢(shì);相較于單一預(yù)測(cè)模型,組合預(yù)測(cè)的效果更好,ATT-TCN-BIGRU模型預(yù)測(cè)值對(duì)真實(shí)值的擬合效果優(yōu)于前面幾種單一的模型,而相比于本文提出的組合預(yù)測(cè)模型,擬合效果依然不是很優(yōu)。本文的組合模型原始交通流用CEEMDAN進(jìn)行分解,然后不同特性的分量選擇與其適合的預(yù)測(cè)模型,最后預(yù)測(cè)效果較其他模型好些。因此,基于完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解的短時(shí)交通流預(yù)測(cè)模型提升了預(yù)測(cè)的精度,有很好的預(yù)測(cè)效果。

    4 結(jié) 論

    為了提高預(yù)測(cè)的準(zhǔn)確性,針對(duì)具有非平穩(wěn)、隨機(jī)性高及難預(yù)測(cè)等特性的短時(shí)交通流,本文提出了基于完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解的短時(shí)交通流預(yù)測(cè)模型。首先,對(duì)預(yù)處理后的原始交通流使用CEEMDAN進(jìn)行分解,然后使用排列熵(PE)算法對(duì)分解后的各分量進(jìn)行平穩(wěn)性和隨機(jī)性的分析,并將其分為高頻分量和低頻分量。之后,針對(duì)不同特性的分量選擇合適預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。最后將各分量的預(yù)測(cè)結(jié)果進(jìn)行疊加,得到最終的預(yù)測(cè)結(jié)果。將本文模型與其他模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,結(jié)果表明,預(yù)測(cè)效果在一定程度上有所提高。當(dāng)然,本文模型所考慮的對(duì)象較少,后期可以考慮多路段問(wèn)題及更復(fù)雜的時(shí)空問(wèn)題,使研究更貼近于實(shí)際問(wèn)題,從而提升交通流預(yù)測(cè)在交通決策中的可靠性。

    參考文獻(xiàn):

    [1] 張文勝,郝孜奇,朱冀軍,等. 基于改進(jìn)灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型[J]. 交通運(yùn)輸系統(tǒng)工程與信息,2020,20(2):196-203.

    [2] 張璽君,王晨輝. 基于SARIMA-GA-Elman組合模型的短時(shí)交通流預(yù)測(cè)方法[J]. 蘭州理工大學(xué)學(xué)報(bào),2022,48(5):107-113.

    [3] 胡松,成衛(wèi),李艾. 一種改進(jìn)鯨魚算法及其在短時(shí)交通流預(yù)測(cè)中的應(yīng)用研究[J]. 小型微型計(jì)算機(jī)系統(tǒng),2021,42(8):1627-1632.

    [4] LIU B, TANG X, CHENG J, et al. Traffic flow combination forecasting method based on improved LSTM and ARIMA[J]. International Journal of Embedded Systems, 2020,12(1):22-30.

    [5] CHAI C, REN C, YIN C, et al. A multifeature fusion short-term traffic flow prediction model based on deep learnings[J]. Journal of Advanced Transportation, 2022,2022:1702766.

    [6] 邴其春,張偉健,沈富鑫,等. 基于變分模態(tài)分解和LSTM的短時(shí)交通流預(yù)測(cè)[J]. 重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)),2023,37(5):169-177.

    [7] 馬瑩瑩,靳雪振. 基于EEMD和小波閾值的短時(shí)交通流預(yù)測(cè)研究[J]. 重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版),2022,41(6):22-29.

    [8] XIU C, SUN Y, PENG Q, et al. Learn traffic as a signal: Using ensemble empirical mode decomposition to enhance short-term passenger flow prediction in metro systems[J]. Journal of Rail Transport Planning & Management, 2022,22:100311.

    [9] 聶鈴,張劍,胡茂政. 基于CEEMDAN分解的短時(shí)交通流組合預(yù)測(cè)[J]. 計(jì)算機(jī)工程與應(yīng)用,2022,58(11):279-286.

    [10] GAO H, JIA H, YANG L. An improved CEEMDAN-FE-TCN model for highway traffic flow prediction[J]. Journal of Advanced Transportation, 2022(6):1-20.

    [11] ZHU Y, ZHANG K, ZHAO C. Short-term traffic flow prediction of expressway based on CEE-MDAN-PE-BiGRU combined model optimized by attention mechanism[C] // 2022 International Conference on Big Data, Information and Computer Network(BDICN). IEEE, 2022:80-87.

    [12] RAJALAKSHMI V, GANESH VAIDYANATHAN S. Hyb-rid time-series forecasting models for traffic flow prediction[J]. Promet-traffic & Transportation, 2022,34(4):537-549.

    [13] A MIGLANI, N KUMAR. Deep learning models for trafic flow prediction in autonomous vehi-cles: A review, solutions, and challenges[J]. Veh Commun, 2019,20:100184.

    [14] 王飛,孫鵬飛. 基于分解集成方法的空中交通流量短期預(yù)測(cè)[J]. 科學(xué)技術(shù)與工程,2021,21(35):15270-15276.

    禁无遮挡网站| av在线天堂中文字幕| 色综合站精品国产| 在线观看免费日韩欧美大片| 午夜成年电影在线免费观看| 757午夜福利合集在线观看| 午夜视频精品福利| 男女床上黄色一级片免费看| 一个人观看的视频www高清免费观看 | 三级毛片av免费| 久久国产精品人妻蜜桃| 成人特级黄色片久久久久久久| 亚洲美女黄片视频| 黑丝袜美女国产一区| 国产av又大| 精品久久久久久成人av| 岛国在线观看网站| 在线观看一区二区三区| 欧美日韩乱码在线| 日本一区二区免费在线视频| 精品高清国产在线一区| 麻豆久久精品国产亚洲av| 国产蜜桃级精品一区二区三区| 国产av精品麻豆| 操出白浆在线播放| 黄色毛片三级朝国网站| 黄色 视频免费看| 日韩欧美一区二区三区在线观看| 亚洲黑人精品在线| 少妇的丰满在线观看| 国产亚洲精品综合一区在线观看 | 少妇熟女aⅴ在线视频| 97碰自拍视频| 成人亚洲精品一区在线观看| 操出白浆在线播放| 亚洲午夜理论影院| 精品人妻1区二区| 国产亚洲欧美在线一区二区| 日韩有码中文字幕| 国内精品久久久久精免费| 搡老熟女国产l中国老女人| 国产成人欧美在线观看| 欧美日韩亚洲国产一区二区在线观看| 亚洲av电影不卡..在线观看| 久久久久久亚洲精品国产蜜桃av| 97超级碰碰碰精品色视频在线观看| 女人被狂操c到高潮| 校园春色视频在线观看| 午夜福利成人在线免费观看| 老司机福利观看| 午夜成年电影在线免费观看| 久久国产精品人妻蜜桃| 伦理电影免费视频| 欧美精品亚洲一区二区| 午夜福利,免费看| 久久亚洲真实| 美女 人体艺术 gogo| www国产在线视频色| www.精华液| 国产成人啪精品午夜网站| 日韩欧美在线二视频| 91大片在线观看| 午夜免费鲁丝| 热re99久久国产66热| 一本大道久久a久久精品| 日韩精品中文字幕看吧| 国产精品免费视频内射| 久久精品91蜜桃| ponron亚洲| 啦啦啦免费观看视频1| 欧美日韩中文字幕国产精品一区二区三区 | 夜夜夜夜夜久久久久| 国产亚洲精品综合一区在线观看 | 日本黄色视频三级网站网址| 美女高潮到喷水免费观看| 99精品久久久久人妻精品| 午夜免费鲁丝| 好男人电影高清在线观看| 黄色视频不卡| 极品人妻少妇av视频| 久久 成人 亚洲| 一进一出抽搐gif免费好疼| 精品人妻在线不人妻| 19禁男女啪啪无遮挡网站| 中文字幕人妻丝袜一区二区| 亚洲第一青青草原| 88av欧美| 国产精品精品国产色婷婷| 男女下面插进去视频免费观看| 又大又爽又粗| 禁无遮挡网站| 亚洲成国产人片在线观看| 成熟少妇高潮喷水视频| 国产在线精品亚洲第一网站| 99国产精品99久久久久| 91在线观看av| 99国产极品粉嫩在线观看| 嫩草影院精品99| 青草久久国产| 欧美丝袜亚洲另类 | 精品久久久久久久毛片微露脸| 国产麻豆成人av免费视频| 91精品国产国语对白视频| 好男人电影高清在线观看| 亚洲av电影在线进入| 亚洲人成伊人成综合网2020| 成年版毛片免费区| 日本精品一区二区三区蜜桃| 非洲黑人性xxxx精品又粗又长| 在线国产一区二区在线| 99re在线观看精品视频| 欧美成狂野欧美在线观看| 亚洲色图综合在线观看| 亚洲欧美日韩无卡精品| 欧美成人一区二区免费高清观看 | 国产三级黄色录像| 一边摸一边抽搐一进一小说| 69精品国产乱码久久久| 日韩一卡2卡3卡4卡2021年| 成年女人毛片免费观看观看9| 一卡2卡三卡四卡精品乱码亚洲| 亚洲色图综合在线观看| 老司机在亚洲福利影院| 亚洲专区中文字幕在线| 午夜福利一区二区在线看| 琪琪午夜伦伦电影理论片6080| 99国产精品一区二区蜜桃av| 亚洲色图 男人天堂 中文字幕| 性欧美人与动物交配| 我的亚洲天堂| 久久精品亚洲熟妇少妇任你| 黄色 视频免费看| 亚洲av美国av| 国产熟女午夜一区二区三区| 亚洲最大成人中文| 午夜免费观看网址| 日本撒尿小便嘘嘘汇集6| netflix在线观看网站| 在线观看www视频免费| 色婷婷久久久亚洲欧美| 成人国产综合亚洲| 又黄又爽又免费观看的视频| 中文亚洲av片在线观看爽| www.自偷自拍.com| 亚洲片人在线观看| 久久久国产精品麻豆| 免费看十八禁软件| 日本撒尿小便嘘嘘汇集6| 色尼玛亚洲综合影院| 在线国产一区二区在线| 精品国产亚洲在线| 99re在线观看精品视频| 日韩免费av在线播放| 少妇被粗大的猛进出69影院| 国内毛片毛片毛片毛片毛片| 日本一区二区免费在线视频| 日日夜夜操网爽| ponron亚洲| АⅤ资源中文在线天堂| 欧美在线一区亚洲| 国产麻豆69| 热re99久久国产66热| 免费少妇av软件| 一级,二级,三级黄色视频| 国产精品一区二区免费欧美| 国产亚洲精品第一综合不卡| 久久性视频一级片| 中文字幕精品免费在线观看视频| 久热这里只有精品99| 久久性视频一级片| 欧美日本视频| 欧美激情 高清一区二区三区| 久9热在线精品视频| 精品卡一卡二卡四卡免费| 中文字幕人成人乱码亚洲影| 一区在线观看完整版| 亚洲国产日韩欧美精品在线观看 | 黄频高清免费视频| 国产精品永久免费网站| 日韩欧美国产一区二区入口| 久久精品91无色码中文字幕| 亚洲av片天天在线观看| 免费av毛片视频| 在线观看日韩欧美| 亚洲专区国产一区二区| 久久久久久大精品| www.熟女人妻精品国产| 999久久久国产精品视频| 欧美日韩乱码在线| 国产精品一区二区免费欧美| 99re在线观看精品视频| 国产欧美日韩综合在线一区二区| 欧美激情久久久久久爽电影 | 色播在线永久视频| 免费av毛片视频| 在线观看免费午夜福利视频| 女性被躁到高潮视频| 亚洲av美国av| 亚洲av电影不卡..在线观看| 少妇粗大呻吟视频| 久久久久久久久久久久大奶| 中文字幕高清在线视频| 18禁国产床啪视频网站| 少妇的丰满在线观看| 一区二区三区激情视频| а√天堂www在线а√下载| 久久影院123| www.自偷自拍.com| 给我免费播放毛片高清在线观看| 久久精品亚洲熟妇少妇任你| 视频区欧美日本亚洲| 成熟少妇高潮喷水视频| 乱人伦中国视频| 一级,二级,三级黄色视频| 亚洲精品av麻豆狂野| 日韩 欧美 亚洲 中文字幕| 亚洲色图 男人天堂 中文字幕| 又黄又粗又硬又大视频| 琪琪午夜伦伦电影理论片6080| 校园春色视频在线观看| 亚洲少妇的诱惑av| 午夜精品久久久久久毛片777| 不卡一级毛片| 老汉色av国产亚洲站长工具| 亚洲国产中文字幕在线视频| 亚洲少妇的诱惑av| 国产熟女午夜一区二区三区| 国产1区2区3区精品| 午夜福利高清视频| 国产精品久久久久久人妻精品电影| 精品一区二区三区av网在线观看| 日韩精品免费视频一区二区三区| 女人精品久久久久毛片| 亚洲成人久久性| 亚洲精品中文字幕一二三四区| 亚洲在线自拍视频| 两个人免费观看高清视频| 非洲黑人性xxxx精品又粗又长| 一级a爱视频在线免费观看| 久久精品人人爽人人爽视色| 9色porny在线观看| 国产蜜桃级精品一区二区三区| 免费在线观看亚洲国产| 女同久久另类99精品国产91| 91av网站免费观看| 在线国产一区二区在线| 久久久水蜜桃国产精品网| 老司机福利观看| 亚洲全国av大片| 色精品久久人妻99蜜桃| 久久久久国产精品人妻aⅴ院| 19禁男女啪啪无遮挡网站| 日韩欧美在线二视频| www.自偷自拍.com| 久久久国产成人免费| 午夜激情av网站| 国产精品自产拍在线观看55亚洲| 九色国产91popny在线| 国产在线观看jvid| 亚洲成a人片在线一区二区| 日韩中文字幕欧美一区二区| 一级,二级,三级黄色视频| 精品久久久精品久久久| 国产一区二区在线av高清观看| 欧美国产日韩亚洲一区| 亚洲国产看品久久| 亚洲免费av在线视频| 丝袜在线中文字幕| 亚洲精华国产精华精| netflix在线观看网站| 深夜精品福利| 最近最新中文字幕大全电影3 | 久久中文看片网| 亚洲欧美精品综合久久99| 一区二区三区高清视频在线| 大香蕉久久成人网| 亚洲欧美精品综合一区二区三区| 亚洲精品中文字幕一二三四区| 真人做人爱边吃奶动态| 亚洲熟妇熟女久久| 国产在线精品亚洲第一网站| 宅男免费午夜| 国内久久婷婷六月综合欲色啪| 日本五十路高清| 午夜精品在线福利| 亚洲五月色婷婷综合| 精品国产乱码久久久久久男人| 久久青草综合色| 久久婷婷人人爽人人干人人爱 | 国产蜜桃级精品一区二区三区| 欧美丝袜亚洲另类 | 夜夜夜夜夜久久久久| 12—13女人毛片做爰片一| 最近最新免费中文字幕在线| 一边摸一边抽搐一进一出视频| 黄色视频,在线免费观看| 日韩大尺度精品在线看网址 | 久久国产亚洲av麻豆专区| 亚洲视频免费观看视频| 久久精品国产99精品国产亚洲性色 | 久久精品成人免费网站| 9热在线视频观看99| 久久中文字幕一级| 久久国产亚洲av麻豆专区| 88av欧美| 91老司机精品| 国产精品二区激情视频| 成人18禁高潮啪啪吃奶动态图| 国产一区在线观看成人免费| 首页视频小说图片口味搜索| 亚洲美女黄片视频| 美女 人体艺术 gogo| 一本大道久久a久久精品| 亚洲激情在线av| 精品日产1卡2卡| 男女午夜视频在线观看| 操美女的视频在线观看| 亚洲精品国产区一区二| 国内毛片毛片毛片毛片毛片| 久久 成人 亚洲| 日韩欧美三级三区| 国产97色在线日韩免费| 日本黄色视频三级网站网址| 亚洲五月婷婷丁香| 黑人巨大精品欧美一区二区mp4| 亚洲aⅴ乱码一区二区在线播放 | 9191精品国产免费久久| 成人免费观看视频高清| 热re99久久国产66热| АⅤ资源中文在线天堂| 久久青草综合色| 99热只有精品国产| 91大片在线观看| 国产av一区二区精品久久| 精品久久蜜臀av无| 日韩成人在线观看一区二区三区| 夜夜夜夜夜久久久久| 97碰自拍视频| 国内精品久久久久久久电影| 国产精品影院久久| 操美女的视频在线观看| 91字幕亚洲| 久久久国产成人免费| 亚洲国产高清在线一区二区三 | 后天国语完整版免费观看| 亚洲欧美日韩另类电影网站| 人成视频在线观看免费观看| 国产乱人伦免费视频| 精品免费久久久久久久清纯| 女性被躁到高潮视频| 日本免费a在线| 看黄色毛片网站| 在线天堂中文资源库| 精品国产乱子伦一区二区三区| 午夜免费观看网址| xxx96com| АⅤ资源中文在线天堂| 丁香六月欧美| 久久精品91无色码中文字幕| 曰老女人黄片| 久久亚洲真实| 黑人巨大精品欧美一区二区mp4| av超薄肉色丝袜交足视频| 美女国产高潮福利片在线看| 亚洲国产欧美一区二区综合| 黑人巨大精品欧美一区二区mp4| 一级,二级,三级黄色视频| 午夜激情av网站| 亚洲国产精品成人综合色| 女性被躁到高潮视频| 日日干狠狠操夜夜爽| 中文字幕精品免费在线观看视频| 亚洲欧美一区二区三区黑人| 搞女人的毛片| 日日干狠狠操夜夜爽| 无限看片的www在线观看| 少妇被粗大的猛进出69影院| 国产精品秋霞免费鲁丝片| 亚洲国产欧美网| 午夜福利18| 欧美成人性av电影在线观看| 老司机福利观看| 亚洲成人久久性| 高清黄色对白视频在线免费看| 国产人伦9x9x在线观看| 亚洲少妇的诱惑av| 桃红色精品国产亚洲av| 91九色精品人成在线观看| 精品国产美女av久久久久小说| 精品国产一区二区久久| 国产精品1区2区在线观看.| 琪琪午夜伦伦电影理论片6080| 日本在线视频免费播放| 波多野结衣高清无吗| 欧美成人一区二区免费高清观看 | 动漫黄色视频在线观看| 中文字幕另类日韩欧美亚洲嫩草| 成人18禁高潮啪啪吃奶动态图| 在线观看一区二区三区| 国产av一区在线观看免费| 午夜免费观看网址| 人妻丰满熟妇av一区二区三区| 亚洲成av片中文字幕在线观看| 亚洲在线自拍视频| 国产亚洲欧美在线一区二区| 香蕉久久夜色| 狠狠狠狠99中文字幕| 久久久久国产精品人妻aⅴ院| 人成视频在线观看免费观看| 亚洲人成网站在线播放欧美日韩| 国产欧美日韩一区二区精品| 神马国产精品三级电影在线观看 | 欧美色视频一区免费| 少妇粗大呻吟视频| 很黄的视频免费| 午夜福利18| 欧美成人免费av一区二区三区| 国产真人三级小视频在线观看| 午夜久久久在线观看| 色综合亚洲欧美另类图片| 久久国产精品人妻蜜桃| 亚洲精品粉嫩美女一区| 久久精品国产综合久久久| 丝袜美腿诱惑在线| 岛国在线观看网站| 亚洲人成电影观看| 成人av一区二区三区在线看| 国产成人一区二区三区免费视频网站| 在线视频色国产色| 日本三级黄在线观看| 一进一出好大好爽视频| 国产99久久九九免费精品| 久久香蕉国产精品| 亚洲专区字幕在线| 最近最新免费中文字幕在线| 亚洲精品中文字幕在线视频| 极品人妻少妇av视频| 亚洲国产精品999在线| 国产激情久久老熟女| 久久天堂一区二区三区四区| 日日夜夜操网爽| 国产一区二区三区在线臀色熟女| 色婷婷久久久亚洲欧美| 18禁裸乳无遮挡免费网站照片 | 男女午夜视频在线观看| 欧美另类亚洲清纯唯美| 国产一卡二卡三卡精品| 国内精品久久久久精免费| 久久久久久久午夜电影| 亚洲va日本ⅴa欧美va伊人久久| 老鸭窝网址在线观看| 亚洲专区国产一区二区| 国产精品美女特级片免费视频播放器 | 午夜福利免费观看在线| 免费在线观看视频国产中文字幕亚洲| 黄色毛片三级朝国网站| 久久久精品欧美日韩精品| 中文字幕精品免费在线观看视频| 午夜福利在线观看吧| 激情视频va一区二区三区| 免费在线观看黄色视频的| 日本五十路高清| 一卡2卡三卡四卡精品乱码亚洲| 午夜免费观看网址| 真人做人爱边吃奶动态| av视频在线观看入口| 侵犯人妻中文字幕一二三四区| 国产av又大| 精品人妻1区二区| 欧美日韩亚洲国产一区二区在线观看| 美女高潮喷水抽搐中文字幕| 亚洲午夜理论影院| 老鸭窝网址在线观看| 亚洲一区二区三区色噜噜| 免费在线观看亚洲国产| 国产主播在线观看一区二区| 看免费av毛片| 国产伦人伦偷精品视频| 亚洲熟女毛片儿| 免费在线观看黄色视频的| 精品久久久久久,| 亚洲第一电影网av| 久久精品影院6| 国产伦一二天堂av在线观看| 久久精品91无色码中文字幕| 午夜精品国产一区二区电影| 婷婷丁香在线五月| 人人妻人人爽人人添夜夜欢视频| netflix在线观看网站| 免费人成视频x8x8入口观看| 黄色 视频免费看| 久久久久久亚洲精品国产蜜桃av| 免费av毛片视频| 久久 成人 亚洲| 久久精品国产亚洲av高清一级| 亚洲熟女毛片儿| 午夜老司机福利片| 国产xxxxx性猛交| 最近最新中文字幕大全电影3 | 国产成人精品久久二区二区91| 亚洲三区欧美一区| 很黄的视频免费| 日韩成人在线观看一区二区三区| 中出人妻视频一区二区| 日韩 欧美 亚洲 中文字幕| 亚洲欧美精品综合久久99| 人人妻人人澡欧美一区二区 | av免费在线观看网站| or卡值多少钱| 日日爽夜夜爽网站| 一二三四社区在线视频社区8| 两个人看的免费小视频| 国产蜜桃级精品一区二区三区| 法律面前人人平等表现在哪些方面| 在线观看一区二区三区| 成人亚洲精品av一区二区| 国产不卡一卡二| 自拍欧美九色日韩亚洲蝌蚪91| 在线视频色国产色| 久久草成人影院| 丁香欧美五月| 精品欧美一区二区三区在线| 国产一区在线观看成人免费| 成人亚洲精品av一区二区| 国产不卡一卡二| 国产精品久久电影中文字幕| 男女做爰动态图高潮gif福利片 | 午夜两性在线视频| 黄片大片在线免费观看| 女同久久另类99精品国产91| 男人的好看免费观看在线视频 | 在线观看免费视频日本深夜| 非洲黑人性xxxx精品又粗又长| 久热这里只有精品99| 91精品国产国语对白视频| 欧美在线一区亚洲| 日韩免费av在线播放| 熟女少妇亚洲综合色aaa.| 变态另类丝袜制服| 老熟妇乱子伦视频在线观看| 日本一区二区免费在线视频| 婷婷六月久久综合丁香| 午夜日韩欧美国产| www.www免费av| 久久久久亚洲av毛片大全| 国产片内射在线| 嫩草影院精品99| 国产精品亚洲一级av第二区| 99久久精品国产亚洲精品| 免费av毛片视频| 91在线观看av| 亚洲五月婷婷丁香| 天天躁狠狠躁夜夜躁狠狠躁| 黑人欧美特级aaaaaa片| 18禁美女被吸乳视频| 麻豆久久精品国产亚洲av| 色综合欧美亚洲国产小说| 亚洲精品粉嫩美女一区| 777久久人妻少妇嫩草av网站| 三级毛片av免费| 他把我摸到了高潮在线观看| 91九色精品人成在线观看| 在线观看免费日韩欧美大片| 国产精品久久久av美女十八| 中文字幕久久专区| 国产精品久久久久久人妻精品电影| 天天躁夜夜躁狠狠躁躁| 成人18禁在线播放| 极品教师在线免费播放| 妹子高潮喷水视频| 色av中文字幕| 90打野战视频偷拍视频| 中文亚洲av片在线观看爽| 亚洲免费av在线视频| 亚洲久久久国产精品| 欧美激情久久久久久爽电影 | 日韩 欧美 亚洲 中文字幕| 黄色毛片三级朝国网站| 中国美女看黄片| 久久人人精品亚洲av| 欧美一级a爱片免费观看看 | 丝袜美腿诱惑在线| 欧美日韩黄片免| 国产亚洲欧美精品永久| 久久久久久久午夜电影| 一边摸一边做爽爽视频免费| 少妇的丰满在线观看| 19禁男女啪啪无遮挡网站| 一二三四在线观看免费中文在| 极品人妻少妇av视频| 国产成年人精品一区二区| 一边摸一边抽搐一进一出视频| 午夜老司机福利片| 亚洲第一青青草原| 欧美精品啪啪一区二区三区| 黄色片一级片一级黄色片| 久久中文看片网| 亚洲国产精品合色在线| 美女 人体艺术 gogo| 在线免费观看的www视频| 亚洲自偷自拍图片 自拍| 99香蕉大伊视频| 一区福利在线观看| 久久久久久久久中文| 日韩高清综合在线| 一级a爱片免费观看的视频| 99精品在免费线老司机午夜| 1024视频免费在线观看| 亚洲国产精品999在线| 91精品国产国语对白视频| 桃红色精品国产亚洲av| 99re在线观看精品视频| 99久久99久久久精品蜜桃| 亚洲色图 男人天堂 中文字幕| 一区二区日韩欧美中文字幕|