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EMD-BP神經(jīng)網(wǎng)絡(luò)的游客量預(yù)測(cè)研究

        2019-03-14 13:09:36陸利軍廖小平
        統(tǒng)計(jì)與決策 2019年4期
        關(guān)鍵詞:游客量客流量分量

        陸利軍,廖小平

        (1.中南林業(yè)科技大學(xué) 旅游學(xué)院,長(zhǎng)沙 410004;2.湖南工學(xué)院 經(jīng)濟(jì)與管理學(xué)院,湖南 衡陽(yáng) 421008)

        0 引言

        近年來(lái),我國(guó)旅游人數(shù)的急劇增長(zhǎng),加之因休假制度設(shè)計(jì)尚未完善導(dǎo)致的節(jié)假日旅游需求的集中釋放,給旅游景區(qū)造成了極大沖擊。因景區(qū)超載、游客擁擠等問(wèn)題帶來(lái)的安全隱患嚴(yán)重影響了旅游者的出行體驗(yàn)和旅游產(chǎn)業(yè)的健康發(fā)展。準(zhǔn)確的游客量預(yù)測(cè)能夠讓旅游經(jīng)營(yíng)和管理者提前對(duì)游客量有一個(gè)清晰的認(rèn)知,進(jìn)而通過(guò)合理調(diào)度和配置有限旅游資源的方式最大限度的避免這種混亂局面的產(chǎn)生。因此運(yùn)用科學(xué)有效的游客量預(yù)測(cè)模型,對(duì)游客量進(jìn)行及時(shí)、精準(zhǔn)地預(yù)測(cè),對(duì)提升旅游者的出行體驗(yàn)和優(yōu)化旅游產(chǎn)業(yè)的發(fā)展意義重大。

        在已有的研究文獻(xiàn)的基礎(chǔ)上[1-9],本文以基于BP神經(jīng)網(wǎng)絡(luò)建立的預(yù)測(cè)模型為基準(zhǔn)模型,就BP神經(jīng)網(wǎng)絡(luò)本身已經(jīng)突顯的問(wèn)題,提出利用信號(hào)處理中的EMD方法進(jìn)行原始數(shù)據(jù)優(yōu)化的策略,創(chuàng)建EMD-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,以探究互聯(lián)網(wǎng)時(shí)代游客出行新特征,進(jìn)而指導(dǎo)旅游經(jīng)營(yíng)和管理部門(mén)建立完善的旅游安全警報(bào)體系和旅游資源合理高效配置,促進(jìn)旅游目的地服務(wù)質(zhì)量的提高和旅游行業(yè)的可持續(xù)發(fā)展。

        1 研究方法

        1.1 BP神經(jīng)網(wǎng)絡(luò)

        BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McClelland等提出的算法。該算法主要由輸入層(Input)、隱藏層(Hide layer)和輸出層(Output layer)組成(其中,隱藏層≥1)。其學(xué)習(xí)過(guò)程可分為前向計(jì)算與反向誤差傳播兩部分。BP神經(jīng)網(wǎng)絡(luò)所涉前項(xiàng)計(jì)算和反向誤差傳播算法詳見(jiàn)由張良均等編著的《神經(jīng)網(wǎng)絡(luò)實(shí)用教程》[10]。

        1.2 Elman神經(jīng)網(wǎng)絡(luò)

        Elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)是由Jeffrey L.Elman提出的一種反饋神經(jīng)網(wǎng)絡(luò)算法。與BP神經(jīng)網(wǎng)絡(luò)算法相比,該算法尤其善于預(yù)測(cè)動(dòng)態(tài)變化的時(shí)間序列[11]。

        與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比,Elman神經(jīng)網(wǎng)絡(luò)最大特征體現(xiàn)在其承接層的設(shè)置,也正因?yàn)槿绱?,該系統(tǒng)具有適應(yīng)時(shí)變的特點(diǎn),可以直接反映系統(tǒng)屬性的動(dòng)態(tài)過(guò)程[12]。

        1.3EMD算法

        EMD算法是由N.E.Huang提出的一種自適應(yīng)信號(hào)時(shí)頻處理方法。該算法被廣泛運(yùn)用于分析非線性、非平穩(wěn)信號(hào)序列中[13,14]。

        2 實(shí)證分析

        2.1 數(shù)據(jù)采集

        在現(xiàn)有的文獻(xiàn)中,對(duì)游客量進(jìn)行預(yù)測(cè)的數(shù)據(jù)來(lái)源主要有結(jié)構(gòu)化數(shù)據(jù)(比如國(guó)家統(tǒng)計(jì)局公布的官方數(shù)據(jù))和非結(jié)構(gòu)化數(shù)據(jù)(比如網(wǎng)絡(luò)日志、圖片、音視頻文件)。本文用到的數(shù)據(jù)主要來(lái)源于兩部分:第一,來(lái)自于張家界統(tǒng)計(jì)信息網(wǎng)的游客量數(shù)據(jù);第二,來(lái)自于網(wǎng)絡(luò)搜索引擎的搜索行為數(shù)據(jù)。

        2.1.1 歷史統(tǒng)計(jì)數(shù)據(jù)

        張家界的游客量數(shù)據(jù)來(lái)自張家界統(tǒng)計(jì)信息網(wǎng)(http://tjj.zjj.gov.cn)發(fā)布的定期數(shù)據(jù),本文以月為周期進(jìn)行統(tǒng)計(jì),截選2011年1月至2018年3月共87個(gè)周期的游客量數(shù)據(jù)和網(wǎng)絡(luò)搜索數(shù)據(jù)。本文選取2011年1月至2017年3月共75個(gè)周期為訓(xùn)練集,在綜合考慮張家界旅游淡旺季的基礎(chǔ)上選擇2017年4月至2018年3月共12個(gè)周期為預(yù)測(cè)集。

        2.1.2 網(wǎng)絡(luò)搜索數(shù)據(jù)

        步驟1:首先分別從吃、住、行、游、購(gòu)、娛及其他等7個(gè)類(lèi)別出發(fā)篩選出若干個(gè)初始關(guān)鍵詞,設(shè)該關(guān)鍵詞為xi;繼而利用百度指數(shù)①本文主要采用webdriver模擬用戶(hù)登錄,獲取百度指數(shù)圖片,再基于tesseract訓(xùn)練的指數(shù)識(shí)別程序得到百度指數(shù)。的需求圖譜推薦功能,獲得與初始關(guān)鍵詞相關(guān)的檢索詞作為拓展關(guān)鍵詞;

        步驟2:將搜索量為零和未被收錄到百度指數(shù)的關(guān)鍵詞剔除,并計(jì)算剩余網(wǎng)絡(luò)搜索關(guān)鍵詞與游客量序列之間的皮爾森相關(guān)系數(shù);

        步驟3:選取相關(guān)系數(shù)大于0.8,并且該相關(guān)系數(shù)出現(xiàn)在先行期大于1期的網(wǎng)絡(luò)搜索關(guān)鍵詞。根據(jù)上述兩個(gè)篩選條件選擇7個(gè)網(wǎng)絡(luò)搜索關(guān)鍵詞;

        步驟4:合成搜索指數(shù)Index7,合成公式為:Index7=

        2.2 基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)

        2.2.1 數(shù)據(jù)處理

        步驟1:將張家界國(guó)內(nèi)游客接待量數(shù)據(jù)Y轉(zhuǎn)為兩列,第一列為T(mén)月的游客數(shù)、第二列為T(mén)+1列的游客數(shù),以第一列的游客數(shù)作為一輸出X1,第二列T+1為預(yù)測(cè)值Y;

        步驟2:以網(wǎng)絡(luò)搜索指數(shù)index7作為另外一個(gè)輸入X2;

        2.2.2 模型搭建

        基于神經(jīng)網(wǎng)絡(luò)相關(guān)理論,論文選用三層網(wǎng)絡(luò)結(jié)構(gòu)(輸入層,隱藏層與輸出層分別包含6個(gè),25個(gè)和1個(gè)神經(jīng)元)。將學(xué)習(xí)率設(shè)置為0.001,迭代次數(shù)為1000次。

        2.2.3 仿真預(yù)測(cè)

        基于上文預(yù)測(cè)模型,輸入測(cè)試數(shù)據(jù),得到預(yù)測(cè)結(jié)果如圖1和圖2所示??土口厔?shì)與真實(shí)趨勢(shì)大體上保持一致;但是,其相對(duì)誤差偏高,部分月份的誤差數(shù)據(jù)接近0.3??梢?jiàn),基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型與實(shí)際值之間的擬合效果不佳,預(yù)測(cè)模型有待進(jìn)一步改進(jìn)。

        圖1 BP模型預(yù)測(cè)值與實(shí)際值對(duì)比結(jié)果

        圖2 BP模型的相對(duì)誤差值

        2.3 基于Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)

        在對(duì)游客量數(shù)據(jù)和網(wǎng)絡(luò)搜索Index7指數(shù)進(jìn)行歸一化處理之后,論文創(chuàng)建了基于Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型,并運(yùn)用試算法最終確定選擇6個(gè)神經(jīng)元,結(jié)果如圖3和圖4所示。

        圖3 Elman模型預(yù)測(cè)值與實(shí)際值對(duì)比結(jié)果

        圖4Elman模型的相對(duì)誤差值

        由圖3看,Elman模型的預(yù)測(cè)效果比經(jīng)典BP模型要好;如圖4所示,Elman模型的相對(duì)誤差值的誤差分布更加集中;然而,不足之處在于,個(gè)別誤差(第5個(gè)周期和第9個(gè)周期)依舊偏大(0.4,0.65),波動(dòng)較為劇烈,預(yù)測(cè)精度有待進(jìn)一步提高。

        2.4 基于EMD-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)

        2.4.1 EMD分解

        利用Python語(yǔ)言,根據(jù)EMD去噪算法,對(duì)張家界旅游客流量和網(wǎng)絡(luò)搜索指數(shù)Index7分別進(jìn)行EMD分解。經(jīng)過(guò)分解后分別獲得4條IMF函數(shù)序列(IMF-1,IMF-2,IMF-3,IMF-4,)和一條殘差(residue),如下頁(yè)圖5和圖6所示。

        圖5和圖6中,IMF函數(shù)序列和殘差按照頻率從高到低的順序排列。前面的IMF分量代表了旅游客流量和Index7的高頻時(shí)段,體現(xiàn)了旅游客流量和Index7的短期變化情況;后面的IMF分量體現(xiàn)了旅游客流量和Index7的低頻時(shí)段,體現(xiàn)了旅游客流量和Index7的長(zhǎng)期變化情況;最后一個(gè)分量,即殘差(residue)則體現(xiàn)了旅游客流量和Index7的走勢(shì)。

        2.4.2 分量識(shí)別

        圖5 張家界旅游游客量EMD分解

        圖6 網(wǎng)絡(luò)搜索指數(shù)Index 7 EMD分解

        旅游客流量與Index7的各個(gè)IMF分量與原始時(shí)間序列的關(guān)聯(lián)程度結(jié)果如表1和表2所示(根據(jù)皮爾森相關(guān)系數(shù)方法計(jì)算方法得出)。

        表1 旅游客流量皮爾森相關(guān)系數(shù)

        表2 Index7皮爾森相關(guān)系數(shù)

        表1中,旅游客流量的IMF-1,IMF-3和IMF-5的皮爾森相關(guān)系數(shù)較高,分別是0.4014,0.6549和0.2771,這說(shuō)明這三個(gè)IMF分量與原始數(shù)據(jù)序列的相關(guān)性較強(qiáng),其余兩個(gè)IMF分量與原始數(shù)據(jù)序列相關(guān)較弱??梢?jiàn),IMF-1、IMF-3和IMF-5是有意義的相關(guān)分量。表2中,Index7的IMF-2,IMF-3和IMF-5的皮爾森相關(guān)系數(shù)分別是0.4630,0.3500和0.5795,在所有系數(shù)中較高,說(shuō)明其與原始數(shù)據(jù)序列的相關(guān)性較強(qiáng)。其余分量(IMF-1,IMF-4)均較弱??梢?jiàn),IMF-2,IMF-3和IMF-5是有意義的相關(guān)分量。

        2.4.3 仿真預(yù)測(cè)

        根據(jù)各個(gè)IMF分量與原始數(shù)據(jù)序列相關(guān)程度的大小,論文嘗試將分解后得到的各個(gè)IMF分量用獨(dú)立輸入和組合形成新變量的方式輸入到構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型當(dāng)中。根據(jù)相關(guān)程度的大小差異,分解形成的各個(gè)IMF分量存在三種不同的組合形式,因此模型結(jié)構(gòu)也存在三種:

        (1)組合(一):將各個(gè)分量視為獨(dú)立變量輸入神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。根據(jù)本文所收集的87個(gè)周期的原始數(shù)據(jù)基本特征,選取前75個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),2017年4月至2018年3月(12個(gè)周期)為測(cè)試數(shù)據(jù),將預(yù)測(cè)數(shù)據(jù)疊加還原后得到的預(yù)測(cè)結(jié)果如圖7和圖8所示。

        圖7 EMD-BP-1預(yù)測(cè)與實(shí)際值對(duì)比結(jié)果

        圖8 EMD-BP-1模型的相對(duì)誤差值

        從圖7和圖8中看出,EMD-BP-1模型僅在個(gè)別時(shí)刻與真實(shí)旅游客流量差別較大,預(yù)測(cè)誤差總體較小。結(jié)果證明,把每個(gè)分量作為獨(dú)立個(gè)體輸入至BP神經(jīng)網(wǎng)絡(luò)可行,但是這種方式需要建立多個(gè)網(wǎng)絡(luò)模型,計(jì)算量大,花費(fèi)時(shí)間多。

        (2)組合(二):根據(jù)相關(guān)程度,進(jìn)行分量組合。綜合考慮旅游客流量和Index7兩個(gè)變量的情況,選擇與旅游客流量和Index7原始時(shí)間序列相關(guān)度均較高的兩個(gè)分量IMF-3和IMF-5進(jìn)行組合,形成一個(gè)新的分量,把其余相關(guān)度一般或者較低的IMF-1,IMF-2和IMF-4進(jìn)行組合,形成一個(gè)分量,將重組后的分量輸入模型。選取前75個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),2017年4月至2018年3月(12個(gè)周期)為測(cè)試數(shù)據(jù)。將預(yù)測(cè)數(shù)據(jù)疊加還原后得到的預(yù)測(cè)結(jié)果和誤差如圖9和圖10所示。

        圖9 EMD-BP-2預(yù)測(cè)與實(shí)際值對(duì)比結(jié)果

        圖10 EMD-BP-2模型的相對(duì)誤差值

        從圖9和圖10中看出,這種組合方式得出的旅游客流量預(yù)測(cè)值相比組合(一)而言更為貼近真實(shí)趨勢(shì),但該組合對(duì)于季節(jié)峰值預(yù)測(cè)精度較差。

        (3)組合(三):將與旅游客流量和Index7原始時(shí)間序列相關(guān)度均較高的兩個(gè)分量IMF-3和IMF-5作為獨(dú)立分量,把其余三個(gè)分量(IMF-1,IMF2和IMF4)進(jìn)行組合,形成一個(gè)新的分量,將IMF-3,IMF-5和新形成的分量輸入模型,選取前75個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),2017年4月至2018年3月(12個(gè)周期)為測(cè)試數(shù)據(jù),預(yù)測(cè)結(jié)果和誤差如圖11和圖12所示。

        圖11 EMD-BP-3預(yù)測(cè)與實(shí)際值對(duì)比結(jié)果

        圖12 EMD-BP-3模型的相對(duì)誤差值

        從圖11和圖12中看出,預(yù)測(cè)結(jié)果相比較于前幾種方式更為準(zhǔn)確,其預(yù)測(cè)值和真實(shí)值處于多數(shù)一致?tīng)顟B(tài),除個(gè)別極值外,其他的預(yù)測(cè)誤差波動(dòng)均都保持在10%的誤差范圍內(nèi)。

        2.5 各模型預(yù)測(cè)結(jié)果評(píng)價(jià)

        用于測(cè)算模型預(yù)測(cè)效果的指數(shù)很多,論文主要選擇MAPE和RMSE標(biāo)準(zhǔn)來(lái)衡量基于BP神經(jīng)網(wǎng)絡(luò)與改進(jìn)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果。MAPE和RMSE的基本計(jì)算公式如式(1)和式(2)所示。相關(guān)測(cè)算值如表3和表4所示。

        表3 未來(lái)12期預(yù)測(cè)結(jié)果和預(yù)測(cè)誤差

        表4 模型預(yù)測(cè)效果MAPE、RMSE評(píng)估結(jié)果

        從表3可以看出,在預(yù)測(cè)張家界的旅游客流量時(shí),基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型的MAPE和RMSE均是最大的。這就說(shuō)明,在上述的5個(gè)模型當(dāng)中,原始BP模型的預(yù)測(cè)誤差最大,Elman模型其次;而就短期預(yù)測(cè)表現(xiàn)而言,Elman模型相比其他模型表現(xiàn)更優(yōu)。

        表4中可以看出,相比于未進(jìn)行EMD分解去噪的預(yù)測(cè)模型,EMD-BP神經(jīng)網(wǎng)絡(luò)系列預(yù)測(cè)模型中的EMD-BP-1和EMD-BP-3的MAPE和RMSE均有顯著下降,這也體現(xiàn)了EMD分解去噪對(duì)于提高游客量預(yù)測(cè)精度的重要作用。

        總體來(lái)看,在五種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中,基于EMD-BP神經(jīng)網(wǎng)絡(luò)的系列預(yù)測(cè)模型表現(xiàn)明顯優(yōu)于兩個(gè)基準(zhǔn)模型,在12個(gè)月內(nèi)的預(yù)測(cè)誤差低于BP神經(jīng)網(wǎng)絡(luò)和Elman兩個(gè)基準(zhǔn)模型的預(yù)測(cè)誤差。

        僅就兩個(gè)基準(zhǔn)模型而言,Elman神經(jīng)網(wǎng)絡(luò)模型效果相比BP網(wǎng)絡(luò)稍好;利用信號(hào)處理中的EMD方法進(jìn)行原始數(shù)據(jù)優(yōu)化策略建立EMD-BP神經(jīng)網(wǎng)絡(luò)系列預(yù)測(cè)模型的預(yù)測(cè)值序列與原值最為接近,這就說(shuō)明,EMD降噪算法在提升BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)效果是有效的。而在EMD-BP系列神經(jīng)網(wǎng)絡(luò)模型中,EMD-BP-1和EMD-BP-3的預(yù)測(cè)結(jié)果相似,都明顯好于EMD-BP-2。這個(gè)結(jié)果表明,高相關(guān)度的三個(gè)分量IMF-1,IMF-3和IMF-5以獨(dú)立個(gè)體形式輸入到BP網(wǎng)絡(luò)神經(jīng)中的預(yù)測(cè)效果最佳,而將兩者重組結(jié)合方式輸入到BP神經(jīng)網(wǎng)絡(luò)中的預(yù)測(cè)效果則為一般,低相關(guān)性分量不論以何種形式輸入模型,對(duì)預(yù)測(cè)效果影響有限。

        3 結(jié)論

        針對(duì)BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)非線性時(shí)間序列時(shí)存在的缺陷[15],本文提出了運(yùn)用EMD方法進(jìn)行數(shù)據(jù)優(yōu)化的基本策略;為了全方位檢測(cè)基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的優(yōu)缺點(diǎn),文中還引入了在預(yù)測(cè)動(dòng)態(tài)變化時(shí)間序列方面有較好表現(xiàn)的Elman模型作為參照模型。

        經(jīng)過(guò)分析可得出以下研究結(jié)論:(1)EMD去噪算法和平穩(wěn)化分解可以為預(yù)測(cè)模型提供相關(guān)度更高的IMF分量;(2)就預(yù)測(cè)結(jié)果而言,不同的分量組合方式具有不同的優(yōu)缺點(diǎn):①將各個(gè)IMF分量作為獨(dú)立變量輸入預(yù)測(cè)模型,可最大限度保留完整的分量信息;②將各個(gè)IMF分量以組合形式輸入網(wǎng)絡(luò),則可最大限度減少輸入維度,從而縮短預(yù)測(cè)模型的實(shí)際訓(xùn)練時(shí)間;③旅游是一個(gè)由多種因素共同作用的復(fù)雜系統(tǒng),大量的噪聲干擾可能會(huì)影響旅游客流量預(yù)測(cè)效果甚至造成嚴(yán)重偏差。且因歷史數(shù)據(jù)與網(wǎng)絡(luò)搜索指數(shù)的非線性性質(zhì),噪聲干擾不可避免。運(yùn)用EMD去噪算法對(duì)原始序列數(shù)據(jù)進(jìn)行“降噪處理”能夠有效保證“預(yù)測(cè)精度”。

        猜你喜歡
        游客量客流量分量
        帽子的分量
        一物千斤
        智族GQ(2019年9期)2019-10-28 08:16:21
        論《哈姆雷特》中良心的分量
        基于嵌入式系統(tǒng)的商場(chǎng)客流量統(tǒng)計(jì)算法
        分量
        基于百度指數(shù)的旅游景區(qū)游客量預(yù)測(cè)研究
        ——對(duì)黃先開(kāi)模型的改進(jìn)
        節(jié)事旅游活動(dòng)對(duì)旅游目的地的影響
        人間(2016年27期)2016-11-11 15:55:16
        基于AFC數(shù)據(jù)的城軌站間客流量分布預(yù)測(cè)
        從客流量推算公交出行PA矩陣的方法
        新建旅游項(xiàng)目客流量分析方法初探
        亚洲av无码精品无码麻豆| 国产AV无码无遮挡毛片| 中文字幕一区二区在线看| 黄片视频免费在线播放观看| 久久国产精品99精品国产| h国产视频| 日本成人免费一区二区三区 | 无码任你躁久久久久久久| 国产免费资源高清小视频在线观看| 国产美女胸大一区二区三区| 麻豆人妻性色av专区0000| 女的扒开尿口让男人桶30分钟| 精品国产一区二区三区久久久狼| 无码啪啪熟妇人妻区| av天堂免费在线播放| 婷婷久久香蕉五月综合加勒比| 精品国产高清a毛片无毒不卡 | 中文字幕av伊人av无码av| 午夜不卡av免费| 亚洲中文字幕久爱亚洲伊人| 中文字幕人妻互换激情| 国产电影无码午夜在线播放| 欧美婷婷六月丁香综合色| 亚洲黄片高清在线观看| 精品国内日本一区二区| 肥臀熟女一区二区三区| 亚洲国产精品久久久天堂不卡海量| 性色av一区二区三区四区久久| 亚洲成熟女人毛毛耸耸多| 国产内射999视频一区| 亚洲va欧美va人人爽夜夜嗨| 亚洲中文字幕人成乱码在线| 狠狠躁天天躁中文字幕| 欧美国产高清| 黄页免费人成网址大全| 丰满熟妇人妻av无码区| 免费人成视频在线观看视频| 日韩女优中文字幕在线| 日韩精品熟妇一区二区三区| 国内揄拍国内精品人妻浪潮av| 国内精品视频成人一区二区|