• <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.

    九色亚洲精品在线播放| 国产日韩欧美亚洲二区| 国产xxxxx性猛交| 黄色视频不卡| 满18在线观看网站| 精品久久蜜臀av无| 国产成人a∨麻豆精品| 亚洲欧美精品综合一区二区三区| 80岁老熟妇乱子伦牲交| 欧美精品一区二区大全| 日本wwww免费看| 精品第一国产精品| 国产精品一二三区在线看| 美女午夜性视频免费| 成年人免费黄色播放视频| 日韩人妻精品一区2区三区| 久久久久国产一级毛片高清牌| 王馨瑶露胸无遮挡在线观看| 97在线人人人人妻| 99国产综合亚洲精品| 精品国产一区二区久久| 男男h啪啪无遮挡| 国产精品免费视频内射| 日韩视频在线欧美| 狠狠婷婷综合久久久久久88av| 少妇人妻 视频| 精品一区二区三区av网在线观看 | 国产精品.久久久| 午夜福利网站1000一区二区三区| 日韩av免费高清视频| 我要看黄色一级片免费的| 亚洲伊人色综图| 欧美日本中文国产一区发布| 成人国产麻豆网| 国产免费视频播放在线视频| 精品人妻一区二区三区麻豆| 制服丝袜香蕉在线| 久久这里只有精品19| 国产99久久九九免费精品| 久久精品久久久久久久性| 国产精品国产av在线观看| 亚洲国产精品一区二区三区在线| 日本猛色少妇xxxxx猛交久久| 久久精品亚洲熟妇少妇任你| 日韩欧美一区视频在线观看| 免费人妻精品一区二区三区视频| 久久久久人妻精品一区果冻| 老汉色∧v一级毛片| 91精品三级在线观看| 香蕉国产在线看| 人人澡人人妻人| 丰满饥渴人妻一区二区三| 午夜福利,免费看| 丝袜人妻中文字幕| 最近中文字幕高清免费大全6| 亚洲精品中文字幕在线视频| 国产免费现黄频在线看| 人人妻人人澡人人看| 久久 成人 亚洲| 丰满饥渴人妻一区二区三| 深夜精品福利| 午夜老司机福利片| 超碰成人久久| 久久久精品免费免费高清| 日韩av在线免费看完整版不卡| av又黄又爽大尺度在线免费看| 欧美人与性动交α欧美软件| 国产成人系列免费观看| 麻豆av在线久日| svipshipincom国产片| 9热在线视频观看99| 国产淫语在线视频| 91国产中文字幕| 校园人妻丝袜中文字幕| 99久久人妻综合| 亚洲av电影在线进入| 亚洲国产av影院在线观看| 黄色毛片三级朝国网站| 狠狠婷婷综合久久久久久88av| 国产成人免费观看mmmm| 久久久久精品性色| 欧美老熟妇乱子伦牲交| 欧美日韩福利视频一区二区| 夜夜骑夜夜射夜夜干| 搡老岳熟女国产| 欧美在线一区亚洲| 校园人妻丝袜中文字幕| 波多野结衣av一区二区av| 亚洲欧美精品自产自拍| 精品一区在线观看国产| 秋霞在线观看毛片| videosex国产| 最新的欧美精品一区二区| 亚洲av男天堂| 嫩草影院入口| 国产一级毛片在线| 国产探花极品一区二区| 亚洲美女视频黄频| 成年人午夜在线观看视频| 久久精品熟女亚洲av麻豆精品| 男的添女的下面高潮视频| 黑人猛操日本美女一级片| 日韩中文字幕欧美一区二区 | 观看av在线不卡| 丁香六月欧美| 欧美97在线视频| 人成视频在线观看免费观看| 亚洲情色 制服丝袜| 亚洲成人一二三区av| 欧美激情极品国产一区二区三区| 女人精品久久久久毛片| 建设人人有责人人尽责人人享有的| 在线精品无人区一区二区三| 国产97色在线日韩免费| 亚洲精品第二区| 亚洲国产精品999| 国产熟女午夜一区二区三区| 国产免费视频播放在线视频| 在线观看免费视频网站a站| 最新的欧美精品一区二区| 黄色怎么调成土黄色| 国产精品蜜桃在线观看| av.在线天堂| 熟女少妇亚洲综合色aaa.| 9热在线视频观看99| 熟女av电影| av免费观看日本| 日日爽夜夜爽网站| 免费少妇av软件| 亚洲av欧美aⅴ国产| 久久久久人妻精品一区果冻| 亚洲专区中文字幕在线 | 国产精品99久久99久久久不卡 | 嫩草影院入口| 考比视频在线观看| 亚洲色图 男人天堂 中文字幕| 免费观看性生交大片5| 亚洲图色成人| 日韩一本色道免费dvd| 精品一区二区三区av网在线观看 | 欧美精品一区二区大全| 国产1区2区3区精品| 自线自在国产av| 亚洲国产精品一区二区三区在线| 校园人妻丝袜中文字幕| 精品视频人人做人人爽| 国产极品天堂在线| 一级毛片我不卡| 欧美黑人精品巨大| 少妇人妻 视频| 老司机影院成人| 久久婷婷青草| 国产极品粉嫩免费观看在线| 国产黄色视频一区二区在线观看| 黄色一级大片看看| 9191精品国产免费久久| 日韩欧美一区视频在线观看| 国产 一区精品| 中文精品一卡2卡3卡4更新| 下体分泌物呈黄色| 精品一品国产午夜福利视频| 丝袜人妻中文字幕| 老司机深夜福利视频在线观看 | 无遮挡黄片免费观看| 黄频高清免费视频| 免费av中文字幕在线| 999精品在线视频| 国产av精品麻豆| 日本猛色少妇xxxxx猛交久久| 欧美亚洲日本最大视频资源| 纵有疾风起免费观看全集完整版| 少妇猛男粗大的猛烈进出视频| 免费少妇av软件| 久久精品亚洲av国产电影网| 亚洲精品国产av成人精品| 少妇被粗大的猛进出69影院| 国产成人91sexporn| a 毛片基地| 亚洲在久久综合| 色婷婷av一区二区三区视频| 丝袜脚勾引网站| 尾随美女入室| 桃花免费在线播放| 在线观看www视频免费| 99精国产麻豆久久婷婷| 天堂8中文在线网| 女人高潮潮喷娇喘18禁视频| 香蕉国产在线看| 最近手机中文字幕大全| 捣出白浆h1v1| 久久久国产一区二区| 国产无遮挡羞羞视频在线观看| 成人免费观看视频高清| 国产人伦9x9x在线观看| av线在线观看网站| 丝袜人妻中文字幕| 美国免费a级毛片| h视频一区二区三区| 69精品国产乱码久久久| 亚洲国产最新在线播放| 国产午夜精品一二区理论片| 亚洲国产av新网站| 亚洲五月色婷婷综合| 亚洲中文av在线| xxx大片免费视频| 另类精品久久| 色精品久久人妻99蜜桃| 丰满少妇做爰视频| 久久精品国产亚洲av涩爱| 大码成人一级视频| 久久久久久人妻| 欧美精品人与动牲交sv欧美| 一区二区三区乱码不卡18| 国产精品国产av在线观看| 国产一区二区在线观看av| 精品少妇一区二区三区视频日本电影 | 香蕉丝袜av| av一本久久久久| 国产深夜福利视频在线观看| 男的添女的下面高潮视频| av卡一久久| 久久久精品免费免费高清| 亚洲国产av影院在线观看| 精品少妇一区二区三区视频日本电影 | 国产精品秋霞免费鲁丝片| 欧美日韩精品网址| 天堂中文最新版在线下载| 青春草亚洲视频在线观看| 十八禁高潮呻吟视频| 欧美亚洲 丝袜 人妻 在线| 卡戴珊不雅视频在线播放| 在线观看免费视频网站a站| 成人国产麻豆网| 99热全是精品| 午夜福利网站1000一区二区三区| 国产在视频线精品| 岛国毛片在线播放| 欧美日韩亚洲国产一区二区在线观看 | 无限看片的www在线观看| 亚洲在久久综合| 国产男女内射视频| tube8黄色片| 亚洲精品,欧美精品| 国产精品熟女久久久久浪| 99国产精品免费福利视频| 国产精品人妻久久久影院| 如何舔出高潮| av在线观看视频网站免费| 免费在线观看视频国产中文字幕亚洲 | 免费看av在线观看网站| 亚洲av中文av极速乱| 丰满少妇做爰视频| 久久久国产精品麻豆| 黑人猛操日本美女一级片| 国产亚洲精品第一综合不卡| 一区二区av电影网| 婷婷成人精品国产| 91国产中文字幕| 国产精品久久久久久精品电影小说| 黄色一级大片看看| xxxhd国产人妻xxx| 宅男免费午夜| 欧美中文综合在线视频| 巨乳人妻的诱惑在线观看| 人人妻人人澡人人看| 国产精品一二三区在线看| 满18在线观看网站| 欧美人与性动交α欧美软件| 大陆偷拍与自拍| 天堂8中文在线网| 一区二区日韩欧美中文字幕| 久久久国产一区二区| 亚洲伊人色综图| 黄片无遮挡物在线观看| 水蜜桃什么品种好| 成人毛片60女人毛片免费| 中文字幕高清在线视频| 男女床上黄色一级片免费看| 成人漫画全彩无遮挡| 欧美97在线视频| av片东京热男人的天堂| 人人妻,人人澡人人爽秒播 | 又粗又硬又长又爽又黄的视频| 成年av动漫网址| 大香蕉久久成人网| 久久人人爽人人片av| 男女之事视频高清在线观看 | 欧美人与性动交α欧美软件| 精品国产一区二区三区久久久樱花| 久久青草综合色| 午夜免费男女啪啪视频观看| 欧美另类一区| 久久精品熟女亚洲av麻豆精品| 国产97色在线日韩免费| 国产在线一区二区三区精| 日本av免费视频播放| 一级黄片播放器| 男女之事视频高清在线观看 | 久久精品亚洲熟妇少妇任你| 国产伦人伦偷精品视频| 色播在线永久视频| 91精品三级在线观看| 欧美精品av麻豆av| 一区福利在线观看| 国产男女内射视频| 男人添女人高潮全过程视频| 成年女人毛片免费观看观看9 | 亚洲欧美成人精品一区二区| 国产精品欧美亚洲77777| 搡老岳熟女国产| 亚洲av男天堂| 国产亚洲av片在线观看秒播厂| av福利片在线| 18禁观看日本| 亚洲av成人精品一二三区| 国产精品久久久久久精品古装| 久久天躁狠狠躁夜夜2o2o | 美女午夜性视频免费| 十分钟在线观看高清视频www| 免费黄网站久久成人精品| 国产熟女午夜一区二区三区| 欧美 日韩 精品 国产| av在线观看视频网站免费| 最近的中文字幕免费完整| 最近最新中文字幕大全免费视频 | 国产免费又黄又爽又色| 亚洲美女视频黄频| 纯流量卡能插随身wifi吗| 香蕉国产在线看| 国产乱来视频区| av网站免费在线观看视频| 亚洲四区av| 在线天堂最新版资源| 嫩草影院入口| 最近中文字幕2019免费版| 99久久99久久久精品蜜桃| 啦啦啦 在线观看视频| 人人澡人人妻人| 亚洲成人国产一区在线观看 | 亚洲欧美激情在线| 日韩大码丰满熟妇| 日韩 亚洲 欧美在线| 亚洲av日韩在线播放| 99久国产av精品国产电影| 美女脱内裤让男人舔精品视频| 中文字幕高清在线视频| 99精国产麻豆久久婷婷| 欧美人与性动交α欧美软件| 久久99一区二区三区| 亚洲四区av| 国产伦人伦偷精品视频| www日本在线高清视频| av.在线天堂| 一本大道久久a久久精品| 一级毛片黄色毛片免费观看视频| 国产在视频线精品| 亚洲国产精品一区二区三区在线| 9热在线视频观看99| 交换朋友夫妻互换小说| 少妇人妻精品综合一区二区| 超色免费av| 国产精品一二三区在线看| 只有这里有精品99| 精品国产超薄肉色丝袜足j| 国产精品成人在线| 国产精品国产三级国产专区5o| 国产精品 国内视频| 国产精品一区二区精品视频观看| 国产精品国产三级专区第一集| 国产日韩欧美视频二区| 久久天躁狠狠躁夜夜2o2o | 欧美老熟妇乱子伦牲交| 午夜免费鲁丝| 19禁男女啪啪无遮挡网站| 久久青草综合色| 黄色视频不卡| 欧美日韩国产mv在线观看视频| 女性生殖器流出的白浆| 国语对白做爰xxxⅹ性视频网站| 国产av码专区亚洲av| 9191精品国产免费久久| 制服丝袜香蕉在线| 亚洲欧美一区二区三区国产| 午夜日本视频在线| 蜜桃国产av成人99| 国产极品粉嫩免费观看在线| 97在线人人人人妻| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲国产看品久久| 欧美少妇被猛烈插入视频| 两个人免费观看高清视频| 日本猛色少妇xxxxx猛交久久| 人妻 亚洲 视频| 国产人伦9x9x在线观看| 精品人妻熟女毛片av久久网站| 人人妻人人添人人爽欧美一区卜| 啦啦啦 在线观看视频| 国产1区2区3区精品| 人人妻人人澡人人爽人人夜夜| 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| 不卡av一区二区三区| 高清黄色对白视频在线免费看| 国产 精品1| 视频在线观看一区二区三区| 激情视频va一区二区三区| 成人黄色视频免费在线看| 欧美 日韩 精品 国产| 少妇人妻 视频| 国产野战对白在线观看| 免费久久久久久久精品成人欧美视频| 国产午夜精品一二区理论片| 校园人妻丝袜中文字幕| 老司机影院毛片| 亚洲精品国产av成人精品| 最近最新中文字幕大全免费视频 | kizo精华| 日日爽夜夜爽网站| 中文字幕另类日韩欧美亚洲嫩草| 97人妻天天添夜夜摸| 婷婷色麻豆天堂久久| 青春草国产在线视频| 成人黄色视频免费在线看| 18禁观看日本| 色吧在线观看| 精品人妻在线不人妻| 国产视频首页在线观看| 在线天堂中文资源库| 99久久99久久久精品蜜桃| 国产伦人伦偷精品视频| 亚洲五月色婷婷综合| 亚洲色图 男人天堂 中文字幕| 久久久久久人妻| 国产精品亚洲av一区麻豆 | 久久97久久精品| 午夜福利在线免费观看网站| 免费在线观看视频国产中文字幕亚洲 | 国产淫语在线视频| 亚洲情色 制服丝袜| 伦理电影大哥的女人| 午夜福利影视在线免费观看| 久久免费观看电影| 国产一级毛片在线| 亚洲免费av在线视频| 久久精品熟女亚洲av麻豆精品| 久久久久人妻精品一区果冻| 日本黄色日本黄色录像| 丰满少妇做爰视频| a级毛片在线看网站| 韩国高清视频一区二区三区| 欧美日韩福利视频一区二区| 亚洲国产毛片av蜜桃av| 国产精品一区二区在线不卡| 国产探花极品一区二区| 国产在视频线精品| 婷婷色麻豆天堂久久| 晚上一个人看的免费电影| 亚洲av男天堂| 欧美变态另类bdsm刘玥| 久久97久久精品| 精品国产乱码久久久久久男人| 久久久久精品性色| 一区在线观看完整版| 亚洲图色成人| 国产视频首页在线观看| 亚洲成av片中文字幕在线观看| 午夜福利视频精品| 亚洲精品aⅴ在线观看| 久久久精品区二区三区| 欧美日韩福利视频一区二区| 免费少妇av软件| 亚洲av电影在线观看一区二区三区| 精品人妻熟女毛片av久久网站| 咕卡用的链子| 日韩人妻精品一区2区三区| 国产一级毛片在线| 国产成人欧美在线观看 | 电影成人av| 老司机靠b影院| 日本wwww免费看| 国产淫语在线视频| 最近中文字幕高清免费大全6| 精品国产露脸久久av麻豆| a级毛片黄视频| 久久99精品国语久久久| 日日啪夜夜爽| 欧美另类一区| 日韩熟女老妇一区二区性免费视频| 亚洲四区av| 大香蕉久久成人网| 国产亚洲精品第一综合不卡| 亚洲欧洲精品一区二区精品久久久 | 波多野结衣一区麻豆| 日日啪夜夜爽| 国产人伦9x9x在线观看| 亚洲人成77777在线视频| 曰老女人黄片| 欧美日韩一级在线毛片| 国产成人a∨麻豆精品| 永久免费av网站大全| 久久精品久久久久久久性| 99热网站在线观看| 国产精品久久久人人做人人爽| 亚洲精品久久午夜乱码| 精品国产一区二区三区久久久樱花| 日韩 亚洲 欧美在线| 99热国产这里只有精品6| 精品一区二区三卡| 啦啦啦中文免费视频观看日本| 黄频高清免费视频| 亚洲精品国产区一区二| 国产一区亚洲一区在线观看| 亚洲男人天堂网一区| 午夜91福利影院| 视频在线观看一区二区三区| 亚洲av在线观看美女高潮| 欧美少妇被猛烈插入视频| 成人免费观看视频高清| 亚洲欧美一区二区三区国产| 午夜老司机福利片| 赤兔流量卡办理| 精品少妇内射三级| 母亲3免费完整高清在线观看| 美女视频免费永久观看网站| 中文字幕色久视频| 不卡视频在线观看欧美| 国产老妇伦熟女老妇高清| 国产 一区精品| 国产日韩欧美在线精品| 久久精品久久精品一区二区三区| 国产成人精品久久久久久| 亚洲精品中文字幕在线视频| xxx大片免费视频| 久久久久精品人妻al黑| 男人爽女人下面视频在线观看| 国产精品无大码| 伊人久久大香线蕉亚洲五| 国产亚洲午夜精品一区二区久久| 九草在线视频观看| 水蜜桃什么品种好| 菩萨蛮人人尽说江南好唐韦庄| 考比视频在线观看| 欧美日韩国产mv在线观看视频| 十八禁人妻一区二区| 国产日韩欧美亚洲二区| 久久综合国产亚洲精品| 久久精品国产亚洲av高清一级| 亚洲国产欧美日韩在线播放| 一级片'在线观看视频| www.av在线官网国产| 五月天丁香电影| 欧美日韩福利视频一区二区| 久久久精品免费免费高清| 亚洲国产欧美网| 日韩大码丰满熟妇| av在线老鸭窝| 国产成人av激情在线播放| 香蕉丝袜av| 婷婷成人精品国产| 亚洲精品国产一区二区精华液| 女人久久www免费人成看片| 一级a爱视频在线免费观看| 性少妇av在线| 欧美人与善性xxx| 久久久久网色| 午夜老司机福利片| 亚洲第一青青草原| 一本大道久久a久久精品| 国产熟女午夜一区二区三区| 高清在线视频一区二区三区| 中文精品一卡2卡3卡4更新| 亚洲视频免费观看视频| 亚洲 欧美一区二区三区| 亚洲国产精品999| 视频在线观看一区二区三区| 久久午夜综合久久蜜桃| 国产精品一区二区在线观看99| 男人爽女人下面视频在线观看| 国产黄色免费在线视频| 麻豆精品久久久久久蜜桃| 亚洲美女黄色视频免费看| 极品少妇高潮喷水抽搐| 久久久精品94久久精品| 99re6热这里在线精品视频| 丝袜美足系列| 大话2 男鬼变身卡| 欧美成人午夜精品| 婷婷色综合大香蕉| 亚洲精品一区蜜桃| 2018国产大陆天天弄谢| 久久久欧美国产精品| 一区二区三区四区激情视频| 丝袜美腿诱惑在线| 丝袜脚勾引网站| 婷婷色综合大香蕉| 美女午夜性视频免费| 亚洲精品久久午夜乱码| 亚洲欧美精品自产自拍| 国产日韩欧美视频二区| 看非洲黑人一级黄片| 在线观看一区二区三区激情| 中文字幕色久视频| a级片在线免费高清观看视频| 免费观看性生交大片5| 久久精品国产亚洲av高清一级| 婷婷色av中文字幕| 亚洲精品乱久久久久久| 久久天堂一区二区三区四区| 啦啦啦视频在线资源免费观看| 免费观看av网站的网址| 麻豆乱淫一区二区| 日韩精品有码人妻一区| 男女无遮挡免费网站观看| 黄色怎么调成土黄色| 成人亚洲精品一区在线观看|