亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于貝葉斯網(wǎng)絡(luò)的城市道路交通事故分析

        2011-08-16 12:04:34趙金寶

        趙金寶 鄧 衛(wèi) 王 建

        (東南大學(xué)交通學(xué)院,南京 210096)

        面對(duì)大量的交通事故及安全隱患,國內(nèi)外在交通事故分析及預(yù)測(cè)模型上的研究成果多為單因素或多因素統(tǒng)計(jì)性回歸形式,主要通過系統(tǒng)致因理論來分析交通事故的特點(diǎn),缺乏對(duì)交通事故導(dǎo)致因素之間相互關(guān)聯(lián)的關(guān)系進(jìn)行層次性的系統(tǒng)分析.文獻(xiàn)[1]在哈頓矩陣和事件鏈方法的基礎(chǔ)上,提出了基于C3-R3系統(tǒng)的事故分析方法;文獻(xiàn)[2]運(yùn)用系統(tǒng)科學(xué)的宏觀數(shù)據(jù),從駕駛員、步行者、車輛及道路調(diào)價(jià)和交通管理的角度,分析了交通事故的成因.相關(guān)研究著重研究不同因素對(duì)事故的影響,但在分析過程中往往假設(shè)交通事故的致因變量是相互獨(dú)立和不相關(guān)的,這與實(shí)際不相符.交通事故的發(fā)生往往是多個(gè)因素相互作用的結(jié)果,表現(xiàn)出明顯的層次性,因此,對(duì)不同因素相互關(guān)聯(lián)作用下的交通事故進(jìn)行分析和預(yù)測(cè)是十分有必要的.

        以變量之間的相互作用為前提、通過參數(shù)學(xué)習(xí)和概率推理來獲取結(jié)果分布信息的貝葉斯網(wǎng)絡(luò)已廣泛應(yīng)用于航空系統(tǒng)風(fēng)險(xiǎn)分析[3]、搜索營救可靠性分析[4]以及核工業(yè)操作員的環(huán)境評(píng)價(jià)[5].研究結(jié)果表明,貝葉斯網(wǎng)絡(luò)在概率分析具有強(qiáng)大優(yōu)勢(shì),而利用貝葉斯網(wǎng)絡(luò)進(jìn)行城市道路交通事故推理分析和安全診斷研究還為數(shù)不多.文獻(xiàn)[6]應(yīng)用結(jié)構(gòu)較簡單的Empirical Bays(EB)模型對(duì)交通事故數(shù)進(jìn)行預(yù)測(cè)的結(jié)果表明,與廣義線性模型相比,EB模型的預(yù)測(cè)結(jié)果更接近實(shí)際.貝葉斯網(wǎng)絡(luò)與回歸模型相比,對(duì)線性和可加性統(tǒng)計(jì)假設(shè)沒有嚴(yán)格的要求,能夠有效處理變量較多且變量之間存在交互作用的情況,也能夠從大量復(fù)雜的數(shù)據(jù)中發(fā)現(xiàn)知識(shí)和結(jié)構(gòu).因此,本文將建立城市交通事故分析的貝葉斯網(wǎng)絡(luò)模型,以探索貝葉斯網(wǎng)絡(luò)在城市交通事故分析預(yù)測(cè)中的應(yīng)用.

        1 貝葉斯網(wǎng)絡(luò)

        貝葉斯網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為有向無環(huán)圖(DAG),用條件概率表達(dá)關(guān)系強(qiáng)度.在實(shí)際應(yīng)用中,貝葉斯網(wǎng)絡(luò)主要完成結(jié)構(gòu)學(xué)習(xí)、參數(shù)學(xué)習(xí)和推理分析3個(gè)方面的任務(wù).

        1.1 結(jié)構(gòu)學(xué)習(xí)

        貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建包括3種方法:①基于專家認(rèn)識(shí)、根據(jù)先驗(yàn)知識(shí)確定貝葉斯網(wǎng)的變量節(jié)點(diǎn),進(jìn)而確定貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu);②通過對(duì)樣本數(shù)據(jù)的學(xué)習(xí),由機(jī)器算法自動(dòng)獲取貝葉斯網(wǎng)絡(luò)結(jié)構(gòu);③基于專家知識(shí)和對(duì)數(shù)據(jù)的機(jī)器學(xué)習(xí),通過數(shù)據(jù)融合的方法獲得貝葉斯網(wǎng)絡(luò)結(jié)構(gòu).文獻(xiàn)[7]對(duì)貝葉斯網(wǎng)絡(luò)模型在環(huán)境工程領(lǐng)域應(yīng)用的統(tǒng)計(jì)分析結(jié)果表明,基于專家知識(shí)和機(jī)器學(xué)習(xí)的數(shù)據(jù)融合方法來確定貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的比例達(dá)到了43.9%,由于第3種方法綜合了專家知識(shí)和機(jī)器學(xué)習(xí)2方面的優(yōu)勢(shì),同時(shí)可以避免僅使用一種方法確定貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的弊端.因此,本文采用第3種方法確定城市道路交通事故分析的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu).其中機(jī)器學(xué)習(xí)采用K2算法[8],K2算法在Matlab中的實(shí)現(xiàn)過程如下:

        Input:ordering,database+metric;

        Output:net struture.

        for i=1 to n do

        πi=?

        p_old=g(i,πi)

        do

        z=argmaxkg(i,πi∪{k})where z∈pred(i)

        p_new=g(i,πi∪{z})

        if p_new>p_old then

        p_old=p_new

        πi=πi∪z

        else

        ok_to_proceed=false

        end if

        end while

        end for

        從K2算法的實(shí)現(xiàn)過程可以發(fā)現(xiàn),K2算法為貪婪式算法,并不能保證得出的網(wǎng)絡(luò)為最優(yōu)網(wǎng)絡(luò),需要融合專家知識(shí)以得到最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu).

        1.2 參數(shù)學(xué)習(xí)

        給定貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)后,可進(jìn)行貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí).有2種常用的參數(shù)學(xué)習(xí)方法來確定各節(jié)點(diǎn)變量的條件概率分布:最大似然估計(jì)MLE法和貝葉斯法.其中貝葉斯法的基本思想是:給定一個(gè)含有未知參數(shù)的分布以及一個(gè)完整的實(shí)例數(shù)據(jù)集合c,θ為具有先驗(yàn)分布p(θ)的隨機(jī)變量.參數(shù)θ在數(shù)據(jù)集合c下的條件概率表示為稱為參數(shù)θ的后驗(yàn)概率.貝葉斯參數(shù)學(xué)習(xí)的任務(wù)就是計(jì)算這個(gè)后驗(yàn)概率.p(θ)通常采用Dirichlet分布[9-10],這是因?yàn)镈irichlet分布的共軛特性可以降低計(jì)算的復(fù)雜程度,提高計(jì)算效率.p(θ)的Dirichlet分布形式為

        樣本發(fā)生的概率為

        參數(shù)θ的后驗(yàn)分布為

        1.3 推理分析

        利用建立的貝葉斯網(wǎng)絡(luò)進(jìn)行推理分析,是貝葉斯網(wǎng)絡(luò)要解決的主要任務(wù)之一.貝葉斯網(wǎng)絡(luò)的DAG圖形模式給出了所有變量的一個(gè)完整的聯(lián)合概率分布,其推理過程意味著在給定一組證據(jù)變量(原因)確切值的情況下,計(jì)算一組查詢變量(結(jié)果)的概率分布.

        目前貝葉斯網(wǎng)絡(luò)的推理方法大致可以分為準(zhǔn)確推理和近似推理.貝葉斯網(wǎng)絡(luò)準(zhǔn)確的概率推導(dǎo)是一個(gè)NP-hard問題[11].實(shí)際應(yīng)用中常選擇有效的算法進(jìn)行近似推理,以犧牲推導(dǎo)結(jié)果的精確度來換取推導(dǎo)效率的提高.常用的推理算法有聯(lián)合樹算法、消元法、全局推斷法等,其中,聯(lián)合樹算法[12-14]應(yīng)用最為廣泛.由于該算法的相關(guān)研究已經(jīng)比較成熟,且在Matlab中可以直接調(diào)用該算法,因此本文中不再詳細(xì)說明其理論計(jì)算過程.

        2 貝葉斯網(wǎng)絡(luò)學(xué)習(xí)結(jié)果

        2.1 變量選擇和數(shù)據(jù)預(yù)處理

        應(yīng)用江蘇省常熟市2010—2011年28條主要道路交通的事故資料,經(jīng)數(shù)據(jù)整理后,得到由5 190起事故數(shù)據(jù)組成的樣本數(shù)據(jù)訓(xùn)練集.該事故資料中的各種變量達(dá)到10多種,篩選出8個(gè)變量,即天氣情況、照明條件、事故時(shí)間、環(huán)境條件、車輛類型、事故地點(diǎn)、交通參與者和事故類型進(jìn)行城市道路交通事故貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí).

        貝葉斯網(wǎng)絡(luò)可以處理連續(xù)變量和離散變量.由于交通事故變量的分類結(jié)果有明顯的離散性,因此采用離散變量進(jìn)行城市道路交通事故的貝葉斯網(wǎng)絡(luò)分析.在進(jìn)行學(xué)習(xí)和推理前,首先要對(duì)城市道路交通事故各種變量進(jìn)行離散化處理,經(jīng)處理后得到的各變量的分類描述和離散化取值如表1所示.

        表1 城市道路交通事故變量的分類描述及離散化結(jié)果

        2.2 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)結(jié)果

        本文采用專家知識(shí)和K2算法相融合的方法獲得貝葉斯網(wǎng)絡(luò)結(jié)構(gòu),以樣本數(shù)據(jù)集為基礎(chǔ),利用專家知識(shí)確定城市道路交通事故各變量的節(jié)點(diǎn)全序,應(yīng)用K2算法在Matlab的bnt工具箱中完成程序編程,進(jìn)行城市道路交通事故分析貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí),學(xué)習(xí)結(jié)果如圖1所示.

        圖1 城市道路交通事故分析的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

        圖1所示的城市道路交通事故分析貝葉斯網(wǎng)絡(luò)由8個(gè)節(jié)點(diǎn)和若干連線組成,8個(gè)節(jié)點(diǎn)為表1中對(duì)應(yīng)的8個(gè)變量,節(jié)點(diǎn)之間的連線表明變量間的相互影響關(guān)系.由圖1可以看出,城市道路交通事故的某些變量呈現(xiàn)出明顯的影響和被影響的層次關(guān)系.交通事故是人-車-路-環(huán)境各個(gè)變量相互作用的產(chǎn)物,這在城市道路交通事故的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)中得到了充分的體現(xiàn),如交通參與者受環(huán)境條件、車輛類型和事故地點(diǎn)的影響,同時(shí)又影響交通事故的類型;車輛類型在影響交通參與者的同時(shí)又影響交通事故的類型.貝葉斯網(wǎng)絡(luò)所呈現(xiàn)出的變量之間的相互影響的層次關(guān)系充分反應(yīng)了城市道路交通事故的實(shí)際情況.

        2.3 貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)結(jié)果

        貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)形成后,可以對(duì)貝葉斯網(wǎng)絡(luò)中的各種變量進(jìn)行參數(shù)的學(xué)習(xí).表2列出了交通參與者在事故地點(diǎn)、環(huán)境條件和車輛類型共同作用下的參數(shù)學(xué)習(xí)結(jié)果(后驗(yàn)概率分布).由于數(shù)據(jù)量較多,本文僅列出了事故地點(diǎn)離散化取值為1(普通路段)的交通參與者的參數(shù)學(xué)習(xí)結(jié)果.由表2可以看出,在3種因素共同作用下,交通參與者的違法違規(guī)的后驗(yàn)概率最大,其平均值為0.291 1,為其他分類平均后驗(yàn)概率的2倍以上.表2中設(shè)Di(事故地點(diǎn)-環(huán)境條件-車輛類型-交通參與者)為特定數(shù)據(jù)點(diǎn),則D1(1-1-2-5)=0.227 8,D2(1-1-4-3)=0.070 9,D3(1-1-6-1)=0.238 0,D4(1-2-1-6)=0.010 9,D5(1-2-3-4)=0.008 7,D6(1-2-5-2)=0.290 1,D7(1-2-6-7)=0.142 9.

        表2 交通參與者的參數(shù)學(xué)習(xí)結(jié)果

        為驗(yàn)證城市道路交通事故分析貝葉斯網(wǎng)絡(luò)模型參數(shù)學(xué)習(xí)的精度,本文將貝葉斯網(wǎng)絡(luò)得到的后驗(yàn)概率與實(shí)際計(jì)算結(jié)果進(jìn)行了對(duì)比分析.表3列出在事故地點(diǎn)(普通路段)、環(huán)境條件和車輛類型的共同作用下,交通參與者概率分布的實(shí)際計(jì)算結(jié)果.

        表3 交通參與者的實(shí)際計(jì)算結(jié)果

        通過貝葉斯網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果和實(shí)際計(jì)算結(jié)果的對(duì)比分析發(fā)現(xiàn),由貝葉斯網(wǎng)絡(luò)得出的后驗(yàn)概率的最大絕對(duì)誤差為0.008(見圖2).與其他預(yù)測(cè)模型相比[15],貝葉斯網(wǎng)絡(luò)模型具有很高的精確度,因此應(yīng)用貝葉斯網(wǎng)絡(luò)對(duì)交通事故的各個(gè)變量進(jìn)行數(shù)據(jù)分析和結(jié)果預(yù)測(cè)是可行的.

        圖2 貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)結(jié)果的絕對(duì)誤差分布

        3 城市交通事故的推理分析

        利用聯(lián)合樹算法對(duì)城市道路交通事故進(jìn)行貝葉斯網(wǎng)絡(luò)的推理分析.表4列出了車輛類型、事故地點(diǎn)和交通參與者對(duì)交通事故類型的推理結(jié)果.

        根據(jù)表4推理結(jié)果,具體分析車輛類型、道路地點(diǎn)和交通參與者對(duì)城市道路交通事故類型的影響.

        表4 車輛類型、道路地點(diǎn)和交通參與者對(duì)交通事故類型的推理結(jié)果

        3.1 車輛類型對(duì)事故類型的影響

        根據(jù)建立的城市道路交通事故分析的貝葉斯網(wǎng)絡(luò)模型和推理結(jié)果,可以得出不同車輛類型下的城市交通事故類型的概率分布(見圖3).

        圖3 車輛類型對(duì)事故類型的影響

        由圖3可知,對(duì)于正面碰撞交通事故,由助力車和自行車等非機(jī)動(dòng)車產(chǎn)生的概率較大,其推理概率分別為39.01%和39.44%,高于其他車型.非機(jī)動(dòng)車運(yùn)行時(shí)的動(dòng)能和動(dòng)量較小,正面碰撞是這類車發(fā)生事故的主要原因;同時(shí)非機(jī)動(dòng)車在城市道路的普通路段和交叉口存在很多逆行行為,也很容易導(dǎo)致正面碰撞事故的發(fā)生.客貨車等大型車更易發(fā)生側(cè)面碰撞,其推理概率為39.96%.由于視線等原因,客貨車駕駛員對(duì)正面觀察較清楚,但對(duì)側(cè)面觀察不足,易導(dǎo)致側(cè)面碰撞事故的發(fā)生.

        3.2 道路地點(diǎn)對(duì)事故類型的影響

        不同道路地點(diǎn)的城市道路交通事故類型的推理概率如圖4所示.

        圖4 道路地點(diǎn)對(duì)事故類型的影響

        由圖4可知,對(duì)于正面碰撞交通事故,在各種地點(diǎn)中三路交叉口發(fā)生的概率最高,其推理結(jié)果為43.03%.側(cè)面碰撞的概率隨著進(jìn)口道和出口道數(shù)量的增加而增加;但普通路段發(fā)生尾隨碰撞概率較大,其推理結(jié)果為20.62%,高于其他事故地點(diǎn)的尾隨碰撞的推理概率.

        3.3 交通參與者對(duì)事故類型的影響

        由建立的城市道路交通事故分析的貝葉斯網(wǎng)絡(luò)模型和推理結(jié)果,可以得出交通參與者影響下的城市道路交通事故類型的推理概率(見圖5).

        圖5 交通參與者對(duì)事故類型的影響

        由圖5可知,正面碰撞事故中,由駕駛員的感知判斷失誤而引起的概率最大,其推理概率為41.33%.駕駛員的感知判斷主要受外界因素的影響,這說明可以通過在路段設(shè)置人性化的警告標(biāo)志以及在交叉口設(shè)置合理的渠化設(shè)施等可以減少這類事故的發(fā)生.側(cè)面碰撞事故中,由于駕駛員的轉(zhuǎn)向不當(dāng)而引起事故的概率最大,其推理概率為55.72%;轉(zhuǎn)向不當(dāng)同時(shí)也容易引起刮擦事故的發(fā)生.駕駛員制動(dòng)措施不當(dāng)最易導(dǎo)致尾隨碰撞事故的發(fā)生,其推理概率為46.12%.

        4 結(jié)論

        1)交通事故的發(fā)生是人-車-路-環(huán)境相互作用的結(jié)果,各變量間表現(xiàn)出明顯的影響和被影響的層次性關(guān)系.貝葉斯網(wǎng)絡(luò)的有向無環(huán)圖形式具有形象直觀的表達(dá)形式,更接近人的思維特征和推理方式.得到的城市道路交通事故的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)結(jié)果,充分體現(xiàn)了事故變量間的層次性關(guān)系,能夠?qū)Τ鞘械缆方煌ㄊ鹿实奶攸c(diǎn)進(jìn)行很好的預(yù)測(cè)分析.

        2)貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)結(jié)果表明,貝葉斯網(wǎng)絡(luò)的后驗(yàn)概率結(jié)果具有很高的精確度.與傳統(tǒng)事故預(yù)測(cè)分析模型相比,貝葉斯網(wǎng)絡(luò)模型具有更高的結(jié)果可靠性,通過對(duì)預(yù)測(cè)分析結(jié)果的系統(tǒng)分析,可以為制定合理的城市道路交通管理策略、提高城市道路交通安全水平提供更加可靠的理論依據(jù).

        3)貝葉斯網(wǎng)絡(luò)推理結(jié)果表明,由于逆行和其自身動(dòng)能、動(dòng)量較小等方面的原因,正面碰撞是非機(jī)動(dòng)車發(fā)生交通事故主要的類型,但客貨車等大型車輛更易發(fā)生側(cè)面碰撞事故,且側(cè)面碰撞交通事故發(fā)生的概率會(huì)隨著進(jìn)口道和出口道數(shù)量的增加而增加.交通參與者感知判斷失誤最易引起正面碰撞事故的發(fā)生,由于轉(zhuǎn)向操作不當(dāng)引起的側(cè)面碰撞事故的概率最大,而制動(dòng)不當(dāng)則最易引起尾隨碰撞事故的發(fā)生.研究分析結(jié)果可以為城市道路管理部門深入了解交通事故誘發(fā)因素提供理論支持,并為提高城市道路交通系統(tǒng)安全性能提供決策依據(jù).

        4)城市道路交通事故是人-車-路-環(huán)境復(fù)雜巨系統(tǒng)的產(chǎn)物,由于研究時(shí)間的限制,更全面更系統(tǒng)的研究有待于進(jìn)一步地展開,如考慮城市道路交通的管理因素和交叉口處不同的交通控制方式對(duì)城市交通事故的影響、更合理有效的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)、參數(shù)學(xué)習(xí)和概率推理算法的研究等.

        References)

        [1]Sany R Z,F(xiàn)rancis P D N.Improving traffic safety:a new systems approach,1830[R].Washington DC:Transportation Research Board of the National Academies,2003.

        [2]鄭安文.我國高速公路交通事故的基本特點(diǎn)與預(yù)防對(duì)策[J].公路交通科技,2002,19(4):109-112.

        Zheng Anwen.Basic characteristic and prevention measures of motorway traffic accident in China[J].Journal of Highway and Transportation Research and Development,2002,19(4):109-112.(in Chinese)

        [3]Luxhoj J T.Probabilistic causal analysis for system safety risk assessments in commercial air transport[C]//Workshop on Investigating and Reporting of Incidents and Accidents.Williamsburg,VA,USA,2003:17-38.

        [4]Norrington L,Quigley J,Russell A,et a1.Modeling the reliability of search and rescue operations with Bayesian belief networks[J].Reliability Engineering and System Safety,2008,93(7):940-949.

        [5]Kim M C,Seong P H.An analytic model for situation assessment of nuclear power plant operators based on Bayesian inference[J].Reliability Engineering and System Safety,2006,91(13):270-282.

        [6]Cafiso S,Cava G L,Montella A.Safety index for evaluation of two-lane rural highways,2019[R].Washington DC:Transportation Research Board of the National Academies,2007.

        [7]Aguilera PA,F(xiàn)ernández A,F(xiàn)ernández R,et al.Bayesian networks in environmental modeling[EB/OL].(2011-07-02)[2011-09-01].http://www.sciencedirect.com/science/article/pii/S1364815211001472.

        [8]Cooper G,Herskovits E.A Bayesian method for the induction of probabilistic network from data[J].Machine Learning,1992,9(4):309-347.

        [9]Maceachern SN.Estimating normal means with a conjugate style Dirichlet process prior[J].Communications in Statistics:Simulation and Computation,1994,23(3):727-741.

        [10]Friedman N,Koller D.Being Bayesian about network structure:a Bayesian approach to structure discovery in Bayesian networks[J].Machine Learning,2003,50(1/2):95-125.

        [11]Mitchell T.Machine learning[M].New York:The McGraw-Hill Companies Inc,1997.

        [12]Huang C,Darwiche A.Inference in belief networks:a procedural guide[J].International Journal of Approximate Reasoning,1996,15(3):225-263.

        [13]Madsen A,Jensen F.Lazy propagation:a junction tree inference algorithm based on lazy evaluation[J].Artificial Intelligence,1999,113(1):203-245.

        [14]Helman P,Veroff R,Atlas S R,et al.A Bayesian network classification methodology for gene expression data[J].Journal of Computational Biology,2004,11(4):581-615.

        [15]張杰,劉小明,賀玉龍,等.ARIMA模型在交通事故預(yù)測(cè)中的應(yīng)用[J].北京工業(yè)大學(xué)學(xué)報(bào),2007,33(12):1295-1299.

        Zhang Jie,Liu Xiaoming,He Yulong,et al.Application of ARIMA model in forecasting traffic accidents[J].Journal of Beijing University of Technology,2007,33(12):1295-1299.(in Chinese)

        一区二区三区在线观看视频免费| 亚洲av午夜国产精品无码中文字| 亚洲成av人片在线观看无码| 乱码1乱码2美美哒| 日本无码欧美一区精品久久| 国产熟女高潮视频| 久久中文字幕亚洲精品最新| 青青草是针对华人绿色超碰| 久久精品国产99久久久| av色欲无码人妻中文字幕| 久激情内射婷内射蜜桃人妖| 在线视频这里只有精品| 亚洲区一区二区中文字幕| 日本免费观看视频一区二区 | 久久综网色亚洲美女亚洲av| 国产午夜精品一区二区三区| 久久夜色撩人精品国产小说| 中文字幕一区二区va| 一本色道久久88加勒比—综合 | 色欲欲www成人网站| 国产高清av首播原创麻豆| 青青视频一区| 偷拍网日本一区二区三区| 中文字幕无线精品亚洲乱码一区| 噜噜中文字幕一区二区 | 丰满五十六十老熟女hd| 91老司机精品视频| 国产精品视频一区二区三区,| 国产91精品自拍视频| 国产精品一区二区av不卡| 99久久久国产精品免费蜜臀| 久久无码人妻一区二区三区午夜 | 免费在线亚洲视频观看| 人妻精品视频一区二区三区| 久久精品成人无码观看不卡| 伊人精品无码AV一区二区三区| 欧洲乱码伦视频免费| 精品国产三级国产av| 无码人妻丰满熟妇区免费| 免费人成视频在线观看网站| 亚洲AV秘 无码一区二区三区1|