欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營的一線實(shí)戰(zhàn)洞察。

VMD-LSTM時序預(yù)測實(shí)戰(zhàn):信號分解與深度學(xué)習(xí)融合方案

VMD-LSTM時序預(yù)測實(shí)戰(zhàn):信號分解與深度學(xué)習(xí)融合方案 簡介本資源是一套基于Python與TensorFlow實(shí)現(xiàn)的VMD-LSTM時序預(yù)測模型代碼包面向機(jī)器學(xué)習(xí)初學(xué)者及時間序列分析實(shí)踐者專為解決非平穩(wěn)、非線性時序數(shù)據(jù)如電力負(fù)荷、氣象、金融等場景的高精度預(yù)測問題而設(shè)計。資源共9個文件含2個核心Python腳本VMD分解與LSTM建模、1個CSV和1個XLSX測試數(shù)據(jù)集、3張關(guān)鍵流程示意圖VMD分解、建模步驟等、2個說明類TXT文檔使用指南與依賴庫清單整體壓縮包僅654KB輕量易部署。代碼全程中文注釋完整支持單/多輸入、單/多步預(yù)測四種模式并內(nèi)置MSE、RMSE、R2、MAE、MAPE五類評估指標(biāo)計算模塊開箱即用用戶可直接替換自有CSV或Excel數(shù)據(jù)完成端到端訓(xùn)練與預(yù)測。1. 項(xiàng)目概述當(dāng)VMD遇上LSTM如何馴服復(fù)雜時序數(shù)據(jù)做時序預(yù)測的朋友尤其是處理金融、能源、氣象這類信號的朋友肯定都遇到過這樣的頭疼事原始數(shù)據(jù)太“臟”了。這里的“臟”不是說數(shù)據(jù)有誤而是指它內(nèi)部混雜了太多東西——長期趨勢、短期波動、季節(jié)性規(guī)律還有各種突發(fā)噪聲全都攪和在一起。你直接拿這樣的數(shù)據(jù)喂給LSTM模型往往學(xué)得很吃力因?yàn)樗瑫r理解這么多不同時間尺度的模式就像讓一個學(xué)生同時學(xué)語文、數(shù)學(xué)、物理還要求他立刻融會貫通效果可想而知。所以這幾年“分解預(yù)測”的兩階段框架火了起來。核心思路很簡單既然原始信號太復(fù)雜那我就先把它拆開拆成幾個相對簡單、有規(guī)律的分量再讓模型比如LSTM去分別學(xué)習(xí)每個分量最后把預(yù)測結(jié)果加起來。這就像把一道復(fù)雜的綜合題拆解成幾個基礎(chǔ)小題逐個擊破。在眾多分解方法里變分模態(tài)分解VMD是我個人非常偏愛的一個。它不像傳統(tǒng)的小波分解或經(jīng)驗(yàn)?zāi)B(tài)分解EMD那樣依賴預(yù)設(shè)基函數(shù)或容易產(chǎn)生模態(tài)混疊VMD通過變分框架自適應(yīng)地確定模態(tài)的中心頻率和帶寬分解出的分量IMF物理意義更清晰邊界效應(yīng)也更可控。這個項(xiàng)目就是要把VMD和LSTM這兩個“利器”結(jié)合起來用Python和TensorFlow搭建一個端到端的時序預(yù)測模型。我把它叫做VMD-LSTM。它的工作流非常直觀第一步用VMD算法把原始時序數(shù)據(jù)分解成K個本征模態(tài)函數(shù)IMF第二步為每一個IMF分量單獨(dú)訓(xùn)練一個LSTM預(yù)測模型第三步將所有IMF分量的預(yù)測結(jié)果相加得到最終的預(yù)測值。為什么非要這么折騰因?yàn)閷?shí)測下來這種“分而治之”的策略在預(yù)測精度和穩(wěn)定性上往往能碾壓直接用原始數(shù)據(jù)訓(xùn)練的單一LSTM模型。接下來我就把自己在多個項(xiàng)目里踩坑、調(diào)參、優(yōu)化后總結(jié)的完整實(shí)現(xiàn)方案和核心經(jīng)驗(yàn)毫無保留地分享給你。2. 核心思路與方案選型為什么是VMDLSTM在動手寫代碼之前我們必須把“為什么”想清楚。市面上分解方法那么多為什么選VMD預(yù)測模型也層出不窮為什么是LSTM這個組合的優(yōu)勢和潛在坑點(diǎn)在哪里2.1 VMD分解的優(yōu)勢與參數(shù)抉擇VMD的核心思想是將信號分解為一系列具有特定稀疏性的本征模態(tài)函數(shù)IMF。其變分問題實(shí)質(zhì)是尋找一組模態(tài)使得每個模態(tài)的估計帶寬之和最小并且所有模態(tài)之和等于原始信號。數(shù)學(xué)上很優(yōu)美但對我們工程師來說更關(guān)心它的幾個實(shí)戰(zhàn)優(yōu)點(diǎn)抗模態(tài)混疊能力強(qiáng)傳統(tǒng)的EMD及其變種EEMD, CEEMDAN容易產(chǎn)生“模態(tài)混疊”即一個IMF里包含多個頻率尺度的成分或者同一尺度的成分分散到多個IMF里。VMD通過預(yù)設(shè)模態(tài)數(shù)K和懲罰因子α能有效分離頻率相近的成分。這對于金融數(shù)據(jù)中常見的突發(fā)波動與趨勢的分離特別有用。邊界效應(yīng)相對可控所有信號分解方法都怕邊界效應(yīng)端點(diǎn)效應(yīng)VMD通過鏡像延拓等方式在算法內(nèi)部進(jìn)行了一定處理相比EMD系列其分解結(jié)果的邊界失真通常更小這對預(yù)測任務(wù)至關(guān)重要因?yàn)槲覀円A(yù)測的就是未來的“邊界”。分量正交性近似VMD分解出的各IMF分量在理論上近似正交這意味著它們攜帶的信息重疊度低。讓LSTM去學(xué)習(xí)這些信息重疊度低的分量效率更高相當(dāng)于給模型提供了更“干凈”的特征。關(guān)鍵參數(shù)解析模態(tài)數(shù) K這是最重要的參數(shù)沒有之一。K太小分解不徹底高頻噪聲可能還殘留在趨勢分量里K太大會產(chǎn)生一些無意義的過分解分量增加計算負(fù)擔(dān)且可能引入噪聲。我的經(jīng)驗(yàn)是對于大多數(shù)金融、負(fù)荷序列K取3到8之間??梢酝ㄟ^觀察頻譜或直接基于經(jīng)驗(yàn)設(shè)置。一個實(shí)用的技巧是先用一個較大的K如10分解然后觀察各分量的中心頻率如果最后幾個分量的中心頻率極低且振幅很小通常就是噪聲可以剔除從而反推合理的K值。懲罰因子 α它控制著每個IMF分量的帶寬。α越大帶寬越小分量越“純”α越小帶寬容忍度越大。通常設(shè)置為2000到3000就能取得不錯效果。在TensorFlow實(shí)現(xiàn)中我們通常直接調(diào)用成熟的vmdpy庫它會提供默認(rèn)值。2.2 LSTM作為預(yù)測器的必然性在時序預(yù)測領(lǐng)域LSTM幾乎成了默認(rèn)選項(xiàng)這是有深刻原因的。相比普通RNNLSTM通過門控機(jī)制遺忘門、輸入門、輸出門解決了長期依賴問題。相比更時髦的TransformerLSTM在中小規(guī)模數(shù)據(jù)集、強(qiáng)自相關(guān)序列上往往表現(xiàn)更穩(wěn)定且訓(xùn)練成本低得多。對于VMD分解后的每個IMF其數(shù)據(jù)特性不同低頻IMF如IMF1代表趨勢項(xiàng)變化緩慢周期長。LSTM需要捕捉其長期緩慢上升或下降的模式。高頻IMF如IMF_K代表噪聲或細(xì)節(jié)波動變化劇烈且可能無明顯規(guī)律。LSTM在這里的作用更像是學(xué)習(xí)其統(tǒng)計特性或短期自相關(guān)。為每個IMF單獨(dú)訓(xùn)練LSTM相當(dāng)于為每個“專業(yè)領(lǐng)域”聘請了一位“專家”這比讓一個“通才”模型去學(xué)習(xí)所有東西要高效。這里的一個關(guān)鍵技巧是不同IMF的LSTM模型其超參數(shù)如時間步長、隱藏層維度可以不同。對于低頻趨勢可能需要更長的時間步長lookback period來捕捉趨勢對于高頻噪聲短時間步長可能就夠了。這為我們優(yōu)化模型性能提供了額外的維度。注意雖然理論上可以為每個IMF定制不同的網(wǎng)絡(luò)結(jié)構(gòu)但在工程實(shí)踐中為了簡化 pipeline我通常先使用相同的LSTM結(jié)構(gòu)如2層LSTM每層64個單元進(jìn)行基線實(shí)驗(yàn)如果發(fā)現(xiàn)某個IMF預(yù)測效果特別差再針對性地調(diào)整其網(wǎng)絡(luò)結(jié)構(gòu)或超參數(shù)。3. 環(huán)境搭建與核心工具鏈工欲善其事必先利其器。一個穩(wěn)定、隔離的Python環(huán)境是項(xiàng)目成功的基石。我強(qiáng)烈建議使用conda或venv創(chuàng)建虛擬環(huán)境避免包版本沖突。3.1 創(chuàng)建并配置Python虛擬環(huán)境# 使用conda推薦尤其對TensorFlow的依賴管理更友好 conda create -n vmd_lstm python3.9 conda activate vmd_lstm # 或者使用venv python -m venv vmd_lstm_env # Windows vmd_lstm_env\Scripts\activate # Linux/Mac source vmd_lstm_env/bin/activate3.2 安裝核心依賴庫以下是requirements.txt文件的內(nèi)容它定義了項(xiàng)目所需的所有庫及其推薦版本。# 核心計算與深度學(xué)習(xí)框架 numpy1.21.0 pandas1.3.0 scikit-learn1.0.0 # 用于數(shù)據(jù)標(biāo)準(zhǔn)化和評估指標(biāo) matplotlib3.5.0 # 繪圖 # 深度學(xué)習(xí)框架 - 重點(diǎn)注意TensorFlow版本 tensorflow2.10.0, 2.15.0 # 2.10至2.14版本在穩(wěn)定性和功能上比較均衡 # 信號處理與VMD分解 vmdpy0.2.0 # 一個純Python實(shí)現(xiàn)的VMD庫易于集成 # 可選用于更高級的優(yōu)化或可視化 scipy1.7.0 seaborn0.11.0使用pip一鍵安裝pip install -r requirements.txt關(guān)于TensorFlow版本的特別提醒 網(wǎng)絡(luò)上很多老教程還停留在TensorFlow 1.x或2.0早期版本。我們使用2.10版本它兼具了穩(wěn)定性和Keras API的完整性。安裝時如果遇到問題可以先嘗試安裝CPU版本pip install tensorflow-cpu進(jìn)行測試。確保安裝成功后在Python中運(yùn)行import tensorflow as tf; print(tf.__version__)驗(yàn)證。3.3 VMD分解庫vmdpy簡介我們選擇vmdpy庫來實(shí)現(xiàn)VMD分解。它接口簡單完全用Python實(shí)現(xiàn)便于理解和調(diào)試。其核心函數(shù)是VMDfrom vmdpy import VMD # alpha: 懲罰因子tau: 時間步長噪聲容忍度 K: 模態(tài)數(shù) DC: 是否包含直流分量 init: 初始化方式 tol: 收斂誤差 u, u_hat, omega VMD(signal, alpha, tau, K, DC, init, tol)u: 分解得到的K個IMF分量形狀為(K, N)N為信號長度。u_hat: 各IMF的頻譜。omega: 各IMF的中心頻率。在我們的預(yù)測pipeline中我們主要使用u即分解后的時域分量。4. 數(shù)據(jù)預(yù)處理與VMD分解實(shí)戰(zhàn)理論說再多不如一行代碼。我們用一個模擬的股票價格序列加入趨勢、季節(jié)性和噪聲來演示整個流程。你可以用自己的數(shù)據(jù)替換。4.1 合成示例數(shù)據(jù)與標(biāo)準(zhǔn)化import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler import matplotlib.pyplot as plt # 1. 生成模擬數(shù)據(jù) np.random.seed(42) n_samples 1000 time np.arange(n_samples) # 趨勢項(xiàng) trend 0.01 * time # 季節(jié)性項(xiàng)多個周期混合 seasonal 5 * np.sin(2 * np.pi * time / 50) 2 * np.sin(2 * np.pi * time / 200) # 噪聲項(xiàng) noise np.random.normal(0, 1, n_samples) # 合成信號 original_signal trend seasonal noise # 2. 數(shù)據(jù)標(biāo)準(zhǔn)化 (非常重要) # LSTM對輸入數(shù)據(jù)的尺度敏感必須標(biāo)準(zhǔn)化。這里使用MinMaxScaler縮放到[0,1]區(qū)間。 scaler MinMaxScaler(feature_range(0, 1)) signal_scaled scaler.fit_transform(original_signal.reshape(-1, 1)).flatten() # 可視化原始信號 plt.figure(figsize(12, 6)) plt.subplot(2, 1, 1) plt.plot(time, original_signal, b, labelOriginal Signal) plt.title(Original Synthetic Signal (Trend Seasonal Noise)) plt.legend() plt.subplot(2, 1, 2) plt.plot(time, signal_scaled, g, labelScaled Signal) plt.title(Min-Max Scaled Signal) plt.legend() plt.tight_layout() plt.show()4.2 執(zhí)行VMD分解并分析結(jié)果現(xiàn)在我們將標(biāo)準(zhǔn)化后的信號輸入VMD進(jìn)行分解。from vmdpy import VMD # 設(shè)置VMD參數(shù) alpha 2000 # 懲罰因子影響帶寬 tau 0. # 噪聲容忍度通常為0 K 5 # 模態(tài)數(shù)根據(jù)信號復(fù)雜程度調(diào)整 DC 0 # 不含直流分量 init 1 # 初始化方式1表示均勻初始化 tol 1e-7 # 收斂誤差 # 執(zhí)行VMD分解 u, u_hat, omega VMD(signal_scaled, alpha, tau, K, DC, init, tol) # u的形狀為(K, n_samples)每一行是一個IMF分量 # 可視化分解結(jié)果 plt.figure(figsize(14, 10)) for i in range(K): plt.subplot(K1, 1, i1) plt.plot(time, u[i], r) plt.ylabel(fIMF {i1}) if i 0: plt.title(VMD Decomposition Results) plt.subplot(K1, 1, K1) plt.plot(time, signal_scaled, b, labelOriginal (Scaled)) plt.plot(time, np.sum(u, axis0), k--, linewidth1.5, labelSum of IMFs) plt.ylabel(Original Sum) plt.legend() plt.xlabel(Time) plt.tight_layout() plt.show() # 驗(yàn)證分解的準(zhǔn)確性計算原始信號與IMF之和的誤差 reconstruction_error np.sum((signal_scaled - np.sum(u, axis0))**2) print(fReconstruction Mean Squared Error: {reconstruction_error:.6e})如果一切順利你將看到原始信號被清晰地分解為K個從低頻到高頻排列的IMF分量。最下面的子圖對比了原始信號和所有IMF分量之和兩者應(yīng)該幾乎重合重構(gòu)誤差極小。這驗(yàn)證了VMD分解的可逆性。實(shí)操心得K的選擇是門藝術(shù)。一個直觀的方法是觀察分解后的IMF。如果最后一個IMF看起來完全是隨機(jī)噪聲無規(guī)律震蕩且振幅很小那么當(dāng)前的K可能是合適的。如果倒數(shù)第二個IMF也像噪聲可以考慮減小K。反之如果某個IMF內(nèi)部明顯包含兩種不同頻率的波動例如既有緩慢波動又有快速抖動則可能是K太小發(fā)生了模態(tài)混疊需要增大K。5. LSTM模型構(gòu)建與單分量預(yù)測分解完成后我們得到了K個IMF分量u[0], u[1], ..., u[K-1]。接下來要為每一個分量構(gòu)建并訓(xùn)練一個LSTM預(yù)測模型。5.1 構(gòu)建監(jiān)督學(xué)習(xí)數(shù)據(jù)集LSTM是監(jiān)督學(xué)習(xí)模型我們需要將時間序列數(shù)據(jù)轉(zhuǎn)化為(樣本, 時間步長, 特征)格式的樣本。這里我們使用滑動窗口方法。def create_dataset(data, time_steps1): 將時間序列數(shù)據(jù)轉(zhuǎn)換為監(jiān)督學(xué)習(xí)格式。 Args: data: 一維時間序列數(shù)組。 time_steps: 用過去多少個時間點(diǎn)預(yù)測下一個點(diǎn)。 Returns: X, y: 特征矩陣和目標(biāo)向量。 X, y [], [] for i in range(len(data) - time_steps): X.append(data[i:(i time_steps)]) y.append(data[i time_steps]) return np.array(X), np.array(y) # 設(shè)置時間步長回溯窗口 TIME_STEPS 20 # 為每個IMF分量創(chuàng)建數(shù)據(jù)集 imf_datasets [] for i in range(K): imf u[i] X, y create_dataset(imf, TIME_STEPS) # 重塑X以符合LSTM輸入要求 [samples, time_steps, features] X X.reshape((X.shape[0], TIME_STEPS, 1)) imf_datasets.append((X, y)) print(fIMF {i1}: X shape{X.shape}, y shape{y.shape})5.2 定義并編譯LSTM模型我們將使用TensorFlow Keras的Sequential API來構(gòu)建一個簡單的雙層LSTM模型。為每個IMF創(chuàng)建一個獨(dú)立的模型實(shí)例。import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.callbacks import EarlyStopping def build_lstm_model(time_steps, n_features): 構(gòu)建一個雙層LSTM模型。 model Sequential([ # 第一層LSTM設(shè)置return_sequencesTrue以連接下一層LSTM LSTM(units64, activationrelu, return_sequencesTrue, input_shape(time_steps, n_features)), Dropout(0.2), # 丟棄20%的單元防止過擬合 # 第二層LSTM LSTM(units32, activationrelu, return_sequencesFalse), Dropout(0.2), # 輸出層預(yù)測一個值 Dense(units1) ]) # 編譯模型 model.compile(optimizeradam, lossmse, metrics[mae]) return model # 為每個IMF創(chuàng)建一個模型 lstm_models [] for i in range(K): print(f\nBuilding model for IMF {i1}...) model build_lstm_model(TIME_STEPS, 1) lstm_models.append(model) model.summary() # 打印第一個模型的結(jié)構(gòu)即可5.3 訓(xùn)練單個IMF的預(yù)測模型我們將數(shù)據(jù)集劃分為訓(xùn)練集和測試集注意時序數(shù)據(jù)不能隨機(jī)打亂然后訓(xùn)練模型。# 劃分訓(xùn)練集和測試集例如前80%訓(xùn)練后20%測試 train_ratio 0.8 predictions [] # 用于存儲每個IMF在測試集上的預(yù)測結(jié)果 true_values [] # 用于存儲每個IMF在測試集上的真實(shí)值 for i in range(K): X, y imf_datasets[i] split_idx int(len(X) * train_ratio) X_train, X_test X[:split_idx], X[split_idx:] y_train, y_test y[:split_idx], y[split_idx:] print(f\n--- Training LSTM for IMF {i1} ---) print(fTraining samples: {X_train.shape[0]}, Testing samples: {X_test.shape[0]}) # 定義早?;卣{(diào)防止過擬合 early_stop EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue) # 訓(xùn)練模型 history lstm_models[i].fit( X_train, y_train, epochs100, # 可以設(shè)置得大一些靠早停來終止 batch_size32, validation_split0.1, # 從訓(xùn)練集中再劃分10%作為驗(yàn)證集 callbacks[early_stop], verbose1 # 設(shè)置為1顯示進(jìn)度條 ) # 在測試集上進(jìn)行預(yù)測 y_pred lstm_models[i].predict(X_test).flatten() predictions.append(y_pred) true_values.append(y_test) # 計算該IMF的預(yù)測誤差 mse np.mean((y_test - y_pred) ** 2) mae np.mean(np.abs(y_test - y_pred)) print(fIMF {i1} Test MSE: {mse:.6f}, MAE: {mae:.6f}) # 可視化該IMF的訓(xùn)練過程損失曲線 plt.figure() plt.plot(history.history[loss], labelTrain Loss) plt.plot(history.history[val_loss], labelValidation Loss) plt.title(fTraining History for IMF {i1}) plt.xlabel(Epoch) plt.ylabel(Loss (MSE)) plt.legend() plt.show()注意事項(xiàng)數(shù)據(jù)泄露絕對不能用未來的數(shù)據(jù)預(yù)測過去。劃分訓(xùn)練/測試集時必須嚴(yán)格按照時間順序。X_test和y_test必須來自X和y的尾部。早停EarlyStopping這是防止LSTM過擬合的利器。它監(jiān)控驗(yàn)證集損失如果連續(xù)多個epochpatience損失不再下降就停止訓(xùn)練并恢復(fù)到驗(yàn)證損失最低的epoch的權(quán)重。批處理Batch Size對于較長的序列較小的batch size如32通常有助于模型收斂。但太小會拖慢訓(xùn)練速度。IMF特性與模型差異你可能發(fā)現(xiàn)對高頻噪聲IMF如IMF5的預(yù)測誤差MSE遠(yuǎn)大于低頻趨勢IMF。這是正常的也是VMD-LSTM價值的體現(xiàn)。噪聲本身難以預(yù)測但把它分離出來后它就不會再去干擾趨勢項(xiàng)的預(yù)測了。我們最終看的是所有IMF預(yù)測加總后對原始信號的預(yù)測精度。6. 預(yù)測結(jié)果集成與最終評估各個IMF的LSTM模型訓(xùn)練好后我們分別對測試集時間段進(jìn)行預(yù)測然后將K個預(yù)測結(jié)果相加得到對原始標(biāo)準(zhǔn)化信號的最終預(yù)測。最后別忘了將預(yù)測結(jié)果逆標(biāo)準(zhǔn)化轉(zhuǎn)換回原始量綱進(jìn)行評估。6.1 集成預(yù)測與逆標(biāo)準(zhǔn)化# 1. 集成所有IMF的預(yù)測結(jié)果 # 假設(shè) predictions 列表里已經(jīng)存儲了每個IMF在測試集上的預(yù)測序列 # 每個預(yù)測序列的長度應(yīng)該相同都等于測試集樣本數(shù) final_pred_scaled np.sum(predictions, axis0) # 按元素相加 # 2. 獲取對應(yīng)的真實(shí)值原始標(biāo)準(zhǔn)化信號在測試集部分 # 我們需要從原始標(biāo)準(zhǔn)化信號中提取出與測試集對應(yīng)的部分 # 首先找到原始信號中對應(yīng)測試集起始點(diǎn)的索引 test_start_idx int(len(signal_scaled) * train_ratio) TIME_STEPS # 加上TIME_STEPS是因?yàn)閯?chuàng)建數(shù)據(jù)集時消耗了前TIME_STEPS個點(diǎn) true_values_scaled signal_scaled[test_start_idx: test_start_idx len(final_pred_scaled)] # 3. 將標(biāo)準(zhǔn)化后的預(yù)測值和真實(shí)值逆變換回原始尺度 # 注意scaler期望輸入是二維數(shù)組 (n_samples, n_features) final_pred scaler.inverse_transform(final_pred_scaled.reshape(-1, 1)).flatten() true_values_original scaler.inverse_transform(true_values_scaled.reshape(-1, 1)).flatten() # 4. 計算最終預(yù)測誤差 from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score final_mse mean_squared_error(true_values_original, final_pred) final_mae mean_absolute_error(true_values_original, final_pred) final_r2 r2_score(true_values_original, final_pred) print(\n *50) print(FINAL VMD-LSTM MODEL PERFORMANCE) print(*50) print(fMean Squared Error (MSE): {final_mse:.6f}) print(fMean Absolute Error (MAE): {final_mae:.6f}) print(fR-squared Score (R2): {final_r2:.6f})6.2 可視化對比與效果分析數(shù)字指標(biāo)很重要但圖表更能直觀展示預(yù)測效果。# 準(zhǔn)備時間軸測試集部分 test_time time[test_start_idx: test_start_idx len(final_pred)] plt.figure(figsize(15, 10)) # 子圖1原始信號與最終預(yù)測信號對比 plt.subplot(3, 1, 1) plt.plot(time, original_signal, b-, alpha0.7, labelOriginal Signal (Full)) plt.plot(test_time, true_values_original, g-, linewidth2, labelTrue Values (Test Set)) plt.plot(test_time, final_pred, r--, linewidth2, labelVMD-LSTM Prediction) plt.fill_between(test_time, true_values_original, final_pred, colorgray, alpha0.2, labelPrediction Error) plt.title(Original Signal vs. VMD-LSTM Prediction (Test Set)) plt.xlabel(Time) plt.ylabel(Value) plt.legend() plt.grid(True, alpha0.3) # 子圖2預(yù)測誤差分布 pred_error true_values_original - final_pred plt.subplot(3, 1, 2) plt.hist(pred_error, bins50, edgecolorblack, alpha0.7) plt.axvline(x0, colorr, linestyle--, linewidth1) plt.title(Distribution of Prediction Errors) plt.xlabel(Error (True - Predicted)) plt.ylabel(Frequency) plt.grid(True, alpha0.3) # 子圖3各IMF分量預(yù)測結(jié)果可選展示前3個主要分量 plt.subplot(3, 1, 3) for i in range(min(3, K)): # 只畫前3個分量 # 同樣需要逆標(biāo)準(zhǔn)化每個IMF的預(yù)測注意這里每個IMF是獨(dú)立訓(xùn)練的其數(shù)據(jù)尺度是[0,1]內(nèi)的相對值 # 為了在同一量綱下對比我們展示其標(biāo)準(zhǔn)化后的預(yù)測值 plt.plot(test_time, predictions[i], labelfPredicted IMF {i1}, linestyle--) plt.title(Prediction of Individual IMFs (First 3, Scaled)) plt.xlabel(Time) plt.ylabel(Scaled Value) plt.legend() plt.grid(True, alpha0.3) plt.tight_layout() plt.show()第一張圖是核心它展示了模型在測試集即模型從未見過的未來數(shù)據(jù)上的預(yù)測能力。紅色虛線應(yīng)該緊密跟隨綠色實(shí)線。第二張誤差分布圖理想情況下應(yīng)該是以0為中心的正態(tài)分布說明誤差是隨機(jī)的沒有系統(tǒng)性偏差。第三張圖幫助你理解每個分量是如何被預(yù)測的。7. 進(jìn)階優(yōu)化與關(guān)鍵問題排查一個基礎(chǔ)的VMD-LSTM pipeline已經(jīng)搭建完成。但要讓它真正在復(fù)雜數(shù)據(jù)上表現(xiàn)出色還需要進(jìn)行大量調(diào)優(yōu)和問題排查。7.1 超參數(shù)調(diào)優(yōu)策略模型的性能很大程度上取決于超參數(shù)。手動調(diào)參效率低我們可以采用系統(tǒng)性的方法。1. VMD參數(shù)調(diào)優(yōu)模態(tài)數(shù) K這是調(diào)優(yōu)的重點(diǎn)??梢試L試一個范圍如3到10然后使用一些準(zhǔn)則來判斷觀察法如前述看分解出的IMF是否物理意義清晰。中心頻率法檢查omega中心頻率確保各分量頻率分布合理沒有兩個分量頻率過于接近。重構(gòu)誤差確保重構(gòu)誤差足夠小如小于1e-6。最終預(yù)測指標(biāo)驅(qū)動最實(shí)在的方法用驗(yàn)證集評估不同K值下最終集成的預(yù)測精度如MSE選擇效果最好的K。懲罰因子 α通常與信號采樣頻率有關(guān)。默認(rèn)值2000適用于大多數(shù)情況。如果發(fā)現(xiàn)分解出的高頻分量過于“平滑”或低頻分量包含太多高頻細(xì)節(jié)可以適當(dāng)增大或減小α進(jìn)行微調(diào)。2. LSTM模型參數(shù)調(diào)優(yōu)時間步長 (TIME_STEPS)即用過去多少期的數(shù)據(jù)預(yù)測下一期。對于趨勢項(xiàng)低頻IMF可能需要更長的步長如50-100對于噪聲項(xiàng)高頻IMF短步長如10-20可能更合適??梢葬槍Σ煌琁MF設(shè)置不同的步長。網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)、每層神經(jīng)元數(shù)量??梢詮暮唵蔚慕Y(jié)構(gòu)如2層每層32/64開始如果欠擬合訓(xùn)練集和驗(yàn)證集誤差都高增加層數(shù)或單元數(shù)如果過擬合訓(xùn)練集誤差低驗(yàn)證集誤差高則減少單元數(shù)、增加Dropout率或使用L2正則化。Dropout率防止過擬合的有效手段通常在0.2到0.5之間。學(xué)習(xí)率Adam優(yōu)化器的默認(rèn)學(xué)習(xí)率通常是0.001如果模型收斂慢或不穩(wěn)定可以嘗試使用tf.keras.optimizers.schedules實(shí)現(xiàn)學(xué)習(xí)率衰減。自動化調(diào)參工具對于LSTM部分可以使用KerasTuner或scikit-learn的GridSearchCV配合KerasRegressor包裝器進(jìn)行超參數(shù)搜索。但要注意由于VMD-LSTM是兩階段模型自動化調(diào)參的計算成本會非常高。7.2 常見問題與解決方案實(shí)錄以下是我在多個項(xiàng)目中遇到的典型問題及解決方法問題1模型預(yù)測結(jié)果是一條直線或常數(shù)??赡茉?數(shù)據(jù)未標(biāo)準(zhǔn)化/歸一化。LSTM內(nèi)部使用tanh、sigmoid等激活函數(shù)輸入數(shù)據(jù)尺度過大會導(dǎo)致梯度飽和模型無法學(xué)習(xí)。解決務(wù)必使用MinMaxScaler或StandardScaler??赡茉?學(xué)習(xí)率太高。導(dǎo)致優(yōu)化過程在最優(yōu)解附近震蕩甚至發(fā)散。解決降低學(xué)習(xí)率如從0.001降到0.0001或使用學(xué)習(xí)率衰減。可能原因3網(wǎng)絡(luò)結(jié)構(gòu)太簡單或太深梯度消失。解決調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)嘗試使用更少的層數(shù)或使用RNN的變種如GRU門控循環(huán)單元它有時比LSTM更易訓(xùn)練。問題2驗(yàn)證集損失震蕩劇烈或早期就停止下降早停觸發(fā)過早??赡茉蚺笮atch Size不合適。小批量會產(chǎn)生有噪聲的梯度導(dǎo)致?lián)p失震蕩。解決嘗試增大batch size如從32增加到64或128。同時可以適當(dāng)增加EarlyStopping的patience參數(shù)給模型更多“耐心”。問題3對高頻IMF噪聲的預(yù)測誤差極大拉低了整體R2分?jǐn)?shù)。分析這是正?,F(xiàn)象。高頻噪聲本質(zhì)上是不可預(yù)測的隨機(jī)部分。VMD-LSTM的優(yōu)勢在于將這部分分離避免它污染其他可預(yù)測分量的學(xué)習(xí)。解決不要試圖完美預(yù)測噪聲??梢試L試兩種策略忽略法在集成預(yù)測時完全不使用對最高頻1-2個IMF被判定為純噪聲的預(yù)測或者用其歷史均值代替預(yù)測值。平滑法對高頻IMF的預(yù)測結(jié)果進(jìn)行簡單的移動平均或低通濾波平滑掉不合理的極端預(yù)測值。問題4VMD分解耗時過長尤其是數(shù)據(jù)序列很長時。分析VMD算法的計算復(fù)雜度較高。解決降采樣如果原始數(shù)據(jù)頻率很高如秒級且預(yù)測目標(biāo)為長期趨勢可以考慮先對數(shù)據(jù)進(jìn)行適當(dāng)?shù)慕挡蓸?。分段處理對于超長序列可以將其分成重疊的段分別進(jìn)行VMD分解和預(yù)測最后再拼接結(jié)果需小心處理邊界。尋求更快的實(shí)現(xiàn)vmdpy是純Python實(shí)現(xiàn)??梢詫ふ一贜umPy向量化優(yōu)化更好的庫或者用PyTorch實(shí)現(xiàn)VMD以利用GPU加速如果存在這樣的實(shí)現(xiàn)。問題5在測試集上預(yù)測未來多步多期時效果差。分析我們目前實(shí)現(xiàn)的是“單步預(yù)測”即用過去N點(diǎn)預(yù)測下一點(diǎn)。要預(yù)測未來M步有兩種策略遞歸預(yù)測 (Recursive)用模型預(yù)測出t1時刻的值然后將這個預(yù)測值作為輸入的一部分再去預(yù)測t2時刻如此遞歸進(jìn)行。缺點(diǎn)是誤差會累積。直接多步預(yù)測 (Direct)訓(xùn)練M個獨(dú)立的模型每個模型專門預(yù)測未來第m步。計算成本高但避免了誤差累積。解決對于VMD-LSTM可以對每個IMF分量采用遞歸預(yù)測。但更穩(wěn)健的方法是將多步預(yù)測問題轉(zhuǎn)化為多變量單步預(yù)測問題。即我們不再預(yù)測一個值而是預(yù)測一個向量未來M個時間點(diǎn)的值。這需要修改LSTM模型的輸出層為Dense(M)并相應(yīng)調(diào)整標(biāo)簽y的格式。8. 項(xiàng)目總結(jié)與擴(kuò)展方向走到這一步一個完整的、可運(yùn)行的VMD-LSTM時序預(yù)測模型就已經(jīng)在你手中了?;仡櫿麄€流程其核心優(yōu)勢在于通過VMD這一先進(jìn)的信號處理技術(shù)將非平穩(wěn)、非線性的復(fù)雜時序數(shù)據(jù)“解耦”成一系列相對平穩(wěn)、規(guī)律性更強(qiáng)的子序列極大降低了LSTM模型的學(xué)習(xí)難度從而在金融價格預(yù)測、電力負(fù)荷預(yù)測、氣象預(yù)報等領(lǐng)域展現(xiàn)出比單一LSTM模型更優(yōu)的精度和魯棒性。我個人在實(shí)際操作中的體會是VMD-LSTM的成功七分靠分解三分靠預(yù)測?;〞r間理解你的數(shù)據(jù)通過頻譜分析、反復(fù)試驗(yàn)找到最合適的VMD參數(shù)尤其是K往往比盲目調(diào)整LSTM的網(wǎng)絡(luò)結(jié)構(gòu)帶來更大的性能提升。把數(shù)據(jù)“洗干凈”了哪怕用一個簡單的LSTM模型效果也不會差。這個框架還有很大的擴(kuò)展空間混合模型不必拘泥于LSTM。可以對不同IMF嘗試不同的預(yù)測器。例如對趨勢項(xiàng)使用線性回歸或ARIMA可能更簡單有效對周期性強(qiáng)的分量可以使用季節(jié)性ARIMA或傅里葉回歸對殘差噪聲可以使用輕量級模型甚至直接置零。這種“分而治之因地制宜”的策略往往能取得最佳效果。特征工程在將每個IMF輸入LSTM之前可以為其計算一些額外的特征如移動平均、波動率、與原始序列的相關(guān)性等作為LSTM的額外輸入通道input_shape(TIME_STEPS, n_features)中的n_features可以大于1。在線學(xué)習(xí)與更新對于流式數(shù)據(jù)可以定期用新數(shù)據(jù)重新進(jìn)行VMD分解和模型微調(diào)fine-tuning使模型能夠適應(yīng)數(shù)據(jù)分布的緩慢變化。不確定性量化目前的模型給出的是點(diǎn)預(yù)測??梢砸胴惾~斯神經(jīng)網(wǎng)絡(luò)或使用分位數(shù)回歸為預(yù)測結(jié)果提供置信區(qū)間這在風(fēng)險敏感的領(lǐng)域如金融至關(guān)重要。最后再分享一個保存與部署模型的小技巧訓(xùn)練好所有IMF的LSTM模型后務(wù)必將它們以及VMD的參數(shù)K, alpha、數(shù)據(jù)標(biāo)準(zhǔn)化器scaler一起保存下來。部署時新的數(shù)據(jù)需要先經(jīng)過相同的scaler進(jìn)行標(biāo)準(zhǔn)化然后用相同的VMD參數(shù)進(jìn)行分解最后用對應(yīng)的模型進(jìn)行預(yù)測和集成。這個pipeline的穩(wěn)定性是工程應(yīng)用的關(guān)鍵。你可以使用tf.keras.models.save_model和pickle保存scaler來完成這項(xiàng)工作。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
狠狠丁香| 丁香婷婷激情| 九九久久污| 五月婷婷乱| 亚洲精品无AMM毛片| 久久婷婷五月综合97色一本| 五月色综合| 国庆精品久久| AV成人在线网站| 第六色在线| 国外亚洲成AV人片在线观看| 嫩草哈哈操| 久久婷婷婷婷伊人| 国产色香蕉精品五夜婷| 玖玖无码中文| 人人澡天天色天天做| 特级西西4444www无码| 五月婷婷六月丁香综合| 五月天婷婷基地| caobi四区| 五月婷婷丁香六月| 激情五月色在线播放| 婷婷色综合中心站| 婷婷色色网| 影音先锋一区二区三区| 白人荫道BBWBBB大荫道| 手机免费福利视频| 久久9久| 九色视频91| 激情欧美婷婷| 91a片爽| 天天日夜夜爽| 日本本土色网第一区| 男同91 | 久久五月天网| 伊人久久艹| 秋霞电影理论| 2015WWW永久免费观看播放| 精品国产va久久久久| 激情五月综合亚洲另类| 五月天久久网站| 丁香五月开心亚洲| 国产精品一区在线观看你懂的| 天天拍久久| 亚洲人人艹| 超碰人人在线| 色五婷婷| 天天操夜夜爽天天操| 成人国产欧美大片一区| 99啪啪网| www·五月天| AV操一操| 亚洲精品99| 夜夜操激情| 性生活视频98791| 激情五月婷| 婷婷婷婷婷开心无码播放| 色婷婷五月天成人网| 综合五月婷婷| 99热e| 丁香五月婷婷久久久| 九九色插| www.色婷婷.com| 亚洲AV色婷婷人禽五月天| www.久久久久久久| 991自拍视频| 国产免费一区二区在线A片视频| 婷婷激情五月综合基地| 五月丁香 啪啪| 丁香色婷婷色手机免费在线| 99热| 九九99九九99偷拍视频免费看| 色情五月天se| 91超碰九色| 夜夜操,天天撸| av第一二区| 九色PORNY9l原创自拍| 开心婷婷五月天激情网| 五月天色婷婷小说| 色婷婷黄色网络| 中文字幕成人日韩| 超碰在线日夜| 强壮公让我夜夜高潮A片视频| 无码色| 五月丁香WWW| 色综合中文色综合网| 精品人妻伦九区久久AAA片| WWW,五月| 丁香六月激情综合| 无码网站视频| 丁香五月综合在线| 久久综合九九| 色六月婷婷| 高清a片基地| 天天插天天爱| 日本女人久久| 婷婷六月丁香五月| 79色色色色| 天天上天天爽| www色婷婷久久综合久色 | 九九激情视频| 欧美日韩成人h| 色七七九九| 五月婷婷激清网| 六月婷婷天天操夜夜爽视频| 综合婷婷久久| 国产综合视频婷婷| 成人综合AV| 丁香五月伊人| 欧美日本不卡黄色片| 丁香五月综合| 99热91| 婷婷五月丁香六月| caop在线视频| 婷婷九月丁香| 久久9精品| 色XX综合网| 91视屏在线观看com.wwwvv| 久久久久久久97| 亚洲五月天色色| 丁香六月天婷婷色| 1024欧美看片| 婷婷激情综合色五月久久91| 啪啪九九色| 丁香六月在线综合| 超碰色热| 七七久久婷婷| 99热国产婷婷| 日韩综合久| 五月婷婷六月丁香| 婷婷色片| 超碰色色综合| 5月丁香啪啪啪| 国产精品成人AV在线| 丁香五月六月综合激情| 色五月综合资源推荐| 中文字幕 久久9999| 99色色网站| VA国产在线综合网站| 熟女色专区| 噜综合| 久久之人妻| 秋霞性爱AV| 国产操碰| 丁香六月婷婷缴情欧美| 天天操夜夜玩!| 五月丁香AV、伊人业余、性色熟妇| 欧美成人无码高清一区二区三区| 丁香婷婷射| 白天AV月月| 六月婷婷七月丁香| 色播播五月| 这里只有精品1| 亚洲日日操| 五月色综合网| 欧美色五月| 色五月AV| 色婷丁香91| 激情五月丁香五月| 99九九在线视频| 婷婷狠狠操| 91se在线视频| 在线观看国产高清视频免费网站| 国产精女同一区二区三区久| 天天操五月天| 激情婷婷五月久久| 一本伊人色婷| 婷婷色情网| AV九九| 中国女人做爰A片| 五月丁香本色在线观看| 六月丁香大香蕉| 久久五月六月| 色五月丁香五月天| 亚洲无码99| 双性美人被调教到喷水A片| 人妻有码乱操| 俺来也综合网精品一区| 欧美3AaAa大片| 伊人婷婷五月天| 久久东京热婷婷五月| 激情五月天丁香| 亚洲V国产V欧美V久久久久久| 淫五月停停| 色五月天丁香婷婷色| 99热国产精品| 五月丁香色婷婷综合| 亚洲午夜视频| 激情综合网,婷婷五月天| 五月宗合激情网| 中文AV在线观看| 91狠狠综合久久| 丰满少妇猛烈A片免费看观看| 丁香婷婷久久综合在线| 包操45分钟网站| 婷婷五月天色综合| 精品色| www.seqingwuyuetian| 大香蕉久久伊人网| 丁香女人五月天| 激情五月婷婷色| 五月玖玖| 91主播在线| 人人人操Av| 婷婷激情五月天小说校园| 亚洲色图五月丁香| 97在线天堂| 91丨九色丨大屁股| 婷婷五月婷婷| 丁香六月婷婷色XXXX| 婷婷久久精品| 天天爽日日爽夜夜爽| 亚洲精品电影| 99伊人性爱在线影院| 婷婷五月丁香综合网| 91丨九色丨熟女| 天天干天天 亚洲| 深爱丁香网| 久久久精品色| 超碰在线免费观看日韩| 亚洲综合激情五月天婷婷 | site:pnnrt.com| 久久婷婷五月综合网| 深爱五月月天| AV在线免费播放| 91聚色综合网| 先锋资源 996| 婷婷五月天成人| 五月天激情日色在线| 电影《战争与艾拉》免费观看| 亚洲激情婷婷| 色色综合网www| AV大香蕉| 婷婷丁香97| 狠狠色综合久久久久| 六月丁香五月激情亚洲AV| 婷婷五月色色| 激情玖玖综合网| 色婷婷五月丁香在线观看| 欧美三日本三级少妇三99| 激情婷婷激情在线不卡| 五月丁香色婷| 双性美人被调教到喷水A片| 91九色国产| 亚洲狠狠干| 色爆五月| 天天干天天 亚洲| 五月色丁香婷婷中文字幕| 色色无码| 国产黄色一级片| 这里只有精彩视| 日日影院 | 久久99热这里只有| 色婷婷五月天偷拍| 国产免费AV网站| www.五月天婷婷| 97人人妻人人艹| 婷婷色五月久久| 九九综合久久| 五月天激情偷拍| 丁香五月区| 丁香五月天婷婷91| 久久精彩视频| 97色永久免费视频| 99热在线中文字幕| www九九热| 久久婷婷综合基地| 操99| 91成人性爱视频| 91婷色| 五月婷婷与六月丁香图片激情| 視频福利乱色| 97干视频在线| 色婷婷免费观看| 激情综合国产| 久久婷婷青草五月天| 狠狠干五月天| 丁香五月天五码婷婷| 97一区二区| 人妻五月天激情开心网| 91夫妻视频| 久久这里只有精品视频26| 大地9中文在线观看免费高清| 就要爱综合| 五月婷婷激情| 亚洲久久婷婷丁香五月天| 亚洲精品V天堂中文字幕| 六月综和久久| 狠狠色综合图片| VA婷婷亚洲| 依人大香蕉在钱1| 激情五月视频在线婷婷| 欧美色色色色色色色色色色| 丁香婷婷基地| www,婷婷五月天777me,com| 日韩黄色中文字幕| 开心婷婷丁香五月| 婷婷丁五月| 久久国产一区二区三区| 丁香五月人妻| 人人干天天舔| 激情九九九九| www九九热| 99九九视屏| 婷婷五月激情五月丁香五月| 91久久99久久91熟女精品| 五月天色官网| 东京热免费视频网站| a在线观看| 五月情四婷婷| 天天操五月天| 亚洲情综合五月天| 9l视频自拍9l视频自拍九色学生| 五月激情婷婷六月丁香| 婷婷狠狠操| 九九av| 色五月天本日| 丁香五月激情六月欧亚激情综合导航 | 夜夜爽77777妓女免费下载| 婷婷六月激情综合| 操人妻90p| 亚洲人成网站999综合| 99欧州偷拍视频| 六月丁香深深爱| 色婷婷丁香社综合| 疯狂做受XXXX高潮A片动画| http://www.sd-xiangsu.com/| 久操大| 人人艹艹艹| AV成人在线播放| 婷婷五月激情丁香激情| 久热9| 99碰碰碰| 亚洲五月天激情| 五月婷婷,六月丁香| 伊人久久婷婷| 国产免费一区二区三州老师F1F1……| 疯狂做受XXXX高潮A片| 激情久久丁香| 日本五月视频| 五月丁香亭亭成人电影| 99综合久久| 久久性都花花世界成人免费视频| 色噜噜婷婷| 五月婷婷激情综合| 婷婷五亚洲| 好好干Av| 中文字幕日韩成人| 亚洲欧洲一二| 大香蕉久久视频久久视频| 欧美日朝成人| 丁香五月AV| 亚洲性色XXXXX| 久久98| 丁香五月婷婷婷桃花影院| 99激情视频| 五月婷激情影院| 五月婷婷啪啪网| 丁香六月婷婷综合激情欧美 | 五月丁香999| 久久er99| 色婷婷狠狠久久综合五月| 婷婷五月中文在线| 婷婷色中文字幕| 丁香五月综合无码趴趴| 91碰碰碰久久久久| 大香蕉色婷婷伊人在线| 第四色在线观看| 五月色婷婷综合| 丁香五月开心亚洲| 岛国av网站| 久热网站| 婷婷丁香五月综合激情视频| 婷婷丁香激情| 狠狠操天天日| 很很干五月天| 很很干在线视频| 97精品综合久久| 亚洲Av成人在线观看| 欧美97超碰| 一点色成人网| 99精品偷自拍| 久久在线视频免费观看| 最近免费中文字幕大全高清大全1| 九九九九这里只有精品| 九九色色| 婷婷五月天AV| 337p大胆噜噜噜噜噜91Av| 超碰在线成人| 天天日,天天插| 亚洲综合草草| 久久激情综合| 色综合色色| 午夜五月天| 中文字幕AV在线播放| 98色花堂98t.R| 青青草成人网| 91久久九久久九久久九久久九久久| 熟女激情五月天| 99色色色色| 五月网在线| 国产婷婷五月天| 99综合一区| 五月激情网综合| 亚州精品久久久久AV无码| 九九亚洲小视频| 五月丁婷婷| 九九久久这里只有精品XB| 天天干夜夜b| 天天爱天天做天天爽| 啪啪啪五月天| 婷婷五月天在线观看免费| 久久少妇视频| www.91婷婷| 欧美色99| 97av在线视频| A短视频免费在线观看| 精品一二三区久久AAA片| 黄色片久久| 婷婷99视频在线| 激情五月黄色| 丁香六月激情毛片| 九月丁香| 五月婷婷综合色啪首页| 激情久久丁香| 丁香激情网| 天天干,天天舔| 99在线免费视| 色婷婷五月天小说| 色噜噜五月天| 99热在线观看| 大香蕉久久伊人网| 91成人电影| 9久热| 91操色| 五月天精品综合在线| 夜夜躁爽日| 激情六月天婷婷| 99热精品在这里| 青柠影视免费高清电视剧| 五月刺激丁香月综合| 丁香五月大香蕉AV| 激情丁香婷婷六月天| 五月婷人妻| 啪啪亚洲综合| 色5月婷婷| 欧类av怡春院| 久久一品区| 激情婷婷| 婷婷五月图片小说视频| 婷婷五月天综合网| 久久色大香蕉| 日韩在线9| site:jszngf.com| 五月婷婷伊人在线| www.久久久久| www久久久久久久久久久久久久久久久| sewuyuetingtingiii| 大香蕉五月天| 亚洲综合激情五月| a在线观看| 好大好粗嗯啊-一级黄色大片免费观看-成人AV| 日本色婷婷| wwwxxx五月婷婷小说| 97色啪| 婷婷五月天小说| 五月婷婷9| 狠狠做五月| www夜夜操com| 99久久婷婷国产综合精品草原| 一本到不卡高清DVD| 91欧美日韩综合| 久久在线人妻| 深爱激情综合网| 九九综合九色欧美狠狠| 丁香五月天欧美成人| 狠狠色噜噜狠狠| 婷婷天天日婷婷| 六月丁香AV| 97色色色色色色色| 国产精品久久久海的味道| 五月香婷婷| 婷婷五月天AV在| 五月婷婷色丁香| 色综合九九色综合88| 久久精品无码一区| 五月丁香爱婷婷深深| 婷婷六月啪啪| 东京热五月婷婷| av九九| 色色色色网| 丰满少妇猛烈A片免费看观看| 婷婷激情在线| 丁香五月激情婷婷婷婷在线观看| 免看黄大片AA | 五月婷色| 综合AV在线| 99久热在线精品99re6热| 狠狠色婷婷7| 在线观看免费狠狠色丁香香综合| 淫视馆av三区| 久久这里只有精品无码| 九九香蕉网| 五月丁香激情四射| 极品人妻VideOssS人妻| 国产AV成人精品| 激情5月婷婷狠狠干| 色啪影院| 色月九九| 婷婷婷久久久| www:99热视频| 丁香综合网| 99精品偷自拍| 欧美五月丁香在线| 九九热99热| 蜜桃婷婷狠狠久久| 99精品自拍| 日本婷婷| 激情久久婷婷| www.com五月天| 91干婷婷| 激情小说之五月| 办公室少妇激情呻吟A片在线观看| 日韩成人免费电影| 激情婷婷五月天| 久久总和99| 天天综合精品| 婷婷精品综合| 玖玖在线视| 夜夜爱影院| 五月天六月色| 9九色首页| 激情五月天婷婷丁香 | 国产无遮挡又黄又爽免费网站| 天天五月香欧美| 色色色色色色网| 91超级碰| 九九热视频在线观看| 国产精品电影| 色婷五月天| 热九九在线| 丁香六月五月天| 亚洲人妻AV| www.99热国产| 精品久久久91久久影视网| 五月的丁香六月的婷婷| 丁香五月激情久久麻豆| 热成人网| 国产操肏网站| 操碰99| 中文激情网| 久久免片| 欧美久久五月婷婷| 色香蕉婷婷| 婷婷色av| 成人精品人妻| 99久久性爱| 成人va在线观看视频| 色色操| 狠狠狠狠狠狠狠狠草| 婷婷丁香成人色综合| 可以观看的AV| 亚洲成人另类| 色色色热| 米奇影视资源777狠狠色婷婷五月天激情网 | 色五月婷婷亚洲最大| 97黑人精品区| 天天操天天干天天日| 99热精品在线播放观看| 99热香港| 99a级片| 丁香5月激情网| 精品一二三区久久AAA片| 夜夜夜叫天天天做| 极品九九九九九九| www.五月丁香| 狠狠狠狠狠操| 极品色丁香| 久久九九国产精品怡红院| www.狠狠操.con| 东北熟女高潮99综合99| av在线免费播放| 久久五月丁香伊人青草| 伊人九九九久| 啊V视频在线观看| 夜夜躁狠狠| 婷婷五月丁香青青草在线| 丁香五月五月婷婷| 日日干五月天婷婷| 67194中文在线| www.婷婷,com| 日韩五月天婷婷| 久热超碰91| 大香蕉久久伊人婷婷五月丁香| 熟妇内谢69XXXXXA片| 五月天另类小说| 丁香五月天激情| 激情五月婷婷综合秋霞| 色婷婷成人网| 校园激情 亚洲| 97电影99热| 激情综合网激情五月天| 成人va视频| 亚洲色爽| 丁香五婷婷| 综合五月天| 99热这里只有精品5| 天天日天天插天天操| 丁香五月婷婷激情蜜桃| 午夜天堂啪啪| 99热这里全都是精品| 天天日日人| 伊人综合婷婷| 色狠狠色噜噜AV天堂五区 | 天天骑天天操| AV五月丁香| 欧美日韩国产一区| www.玖玖九| 色综合婷婷| 99热只有精| 成人va在线观看视频| 色九月综合网| 国产成人精品一区二三区熟女在线| 99热这里只有精品9| 亚洲激情淫网| 棕合影院色色| wwww.9免费视频| 婷婷色导航| 欧美日韩成人在线网站| 久久激情五月网| 欧美激情五月综合| 久久精品99久久久久久| www.99.色| 热九九精品| 99狠狠色| 亚洲另类视频| 天天天天天天天操| 欧美日韓成人亚洲精品另类| 日本 欧美在线| 大香人妻| 综合色五月亭亭| 天天干天天日天天操| 六月婷婷av| 99热99日天天干| 中文字幕无码人妻少妇免费视频| 色狠狠综合| www.激情五月| 婷婷亚洲欧美丁香五月| 深爱激情五月天婷婷网| 久久久久亚洲A∨成人乱码电影| 在线你懂的亚洲欧| 秋霞AV美国| 日日操夜夜操中国无码| 激情五月天。| 欧美成人AAA片一区国产精品| 激情五月五月婷婷| www久| 亚洲免费观看高清完整版AV线| 99免费视频网| 永久AⅤ1| 狠狠五月天激情| 丁香五月婷婷88在线| 亚洲激情丁香五月天色| 九玖视频这里只有精品| 色综合婷婷| 婷婷久久五月天丁香| 97成人在线视频精品| 婷婷丁香综合在线| 热久久这里只有三级视频| 欧美十二区| .青娱乐天天操B| 亚洲乱码日产精品BD| 狠狠干综合| 开心五月婷婷激情| 97久久视频| 婷婷五月天小说| 婷婷欧美| 色婷婷五月综合| 超碰在线99| 天天日天天插| 最近中文字幕大全免费版在线 | 丁香激情网| 国产乱妇无乱码大黄AA片| 99久久9| 天天色粽合合合合合合合| 国产亚洲99久久精品| 丁香成人五月天| 亚洲无码色| 激情内射人妻1区2区3区| 99在线精品免费视频| 久久一级AV| 五月丁香花成人社区| 五月停性愛| 亚洲天堂AV综合网| 大香蕉七区| 99玖玖免费视频| 91日本在线| 欧美性二区| 色99视| 久久66精品| 五月丁香六月激情综合欧美| 丁香综合婷婷五月天| 玖玖婷婷色五月| 色狠狠色| 国产精品久久久久久久久久| 丁香婷婷狠狠97| 丁香伊人五月色婷婷五十路| 色碰干| 色综合网上班开心婷婷久久| 狠狠干2007| 色区域网站视频| 蜘蛛女侠2003满天星免费观看| 能看的AV| 色播五月婷婷| 婷婷综合仓库中文| 91久久久久久久久久| 久久99久久99精品免视看婷| 久色视频首页| 99re鈥哸鈥唙| 久久五月网| 激情五月综合网| 啪啪日本欧美| 99爱99操| 天天综合干| 五月天婷婷在线播放| 99热人人| 强辱丰满人妻HD中文字幕| 日本高清不卡免费一区二区三区| 99干日本| 五月丁六月香av| 久久国产色| 丁香五月五月婷婷| 成人精品免费在线观看| 欧美 日韩 成人在线| 另类图片五月天婷婷| 五月第四色| 97超碰综合| 婷婷婷婷婷婷婷婷婷婷丁香| 丁香五月人妻| 丁香婷婷六月天| 九九这里只有精品| 婷婷五月色| 四射综合网| 亚洲色色在线| 激情网五月| 99色在线观看| 久久嘟嘟丁香| 亚洲爱爱无码婷婷色五月| 五月婷婷开心网| 五月色综合| 97碰碰在线观看视频| 天天日天天摸天天| 婷婷成人AV| 亚洲春色奇米影视| 啊v视频在线观看| 亚洲经典小视频| 开心五月网| CAOBIBI| 五月花成人网| 国产在线黄色| 日韩精品呦呦va| 这里只有精品在线视频精品| 五月天六月色| 欧美久久一级内射wwwwww.| 激情婷婷五月| 天天干天天干天天干天天干天| 五月天婷婷色| 六月丁香色色| 天天天天天日| 国外亚洲成AV人片在线观看| 人妻激情在线| 日本色色视频| 国产伦亲子伦亲子视频观看| 99综合免费视频| 免费视频99| 婷婷在线网| 久久这里这里有精品免费视频| 九色啦蜜臀| www.ywav| www.狠狠狠.com| 中文字幕在线日亚州9| 亚洲av成人电影在线观看| 免费久久这里只有精品99| 97人人草| 亚洲午夜电影| 色偷偷色婷婷| 爱操天堂| 很操日本7| 婷婷亚洲综合| 97香蕉碰碰人妻国产欧美| www夜夜操| 五月丁香婷婷狠狠操| 色青青五月| 色偷偷综合| 一级性感黄色内射视频| 国内外色色色色色成人视频| 蜜臀av 粉嫩av 懂色av| 丁香五月天欧美| 99在线免费观看| 开心五月综合激情网| 婷婷五月天成人网| 97狠狠碰| 99精品免费欧美小视频 | 天堂在线9| 激情五月婷婷在线观看| 婷婷六月天| 婷婷丁香五月综合激情小说| 婷婷五月五月丁香| 五月丁婷婷| 丰满少妇猛烈A片免费看观看| 五月丁香激情综合啪| 91精品久久久久久| 玖玖爱伊人| 国产在线黄色| 91avse| 五月色婷婷影院| 五月丁香色婷婷色| 91丨九色丨白浆秘| 狠狠爱激情网| 97久久草草超级碰碰碰| 九九色色网| 色射影院| 久色资源| 婷婷五月天播| 婷婷久久综合| 5月婷婷性视频| 性按摩玩人妻HD中文字幕| 就爱操www com| 9色91视频| 色婷婷激情视频| 色99久草在线| 色婷婷婷婷五月天| 人人干人人操外国| 99视频只有精品| 精品99在线| 婷婷五月激情网| 亚洲另类在线观看| www.99视频| 精品人妻久久久| 97操在线视频| 亚洲情色一区| 婷婷天堂综合| 九九色影院| 五月婷婷五月天天| 欧美色必爱| 五月成人网站| www.婷婷六月天| 五月天啪啪啪| 午夜九九电影| 九九久久偷拍| 五月婷婷激情| 五月激情视频| 亚洲精品国产熟女久久久| 激情黄色小说五月天| 久久久久久久,99精品视频| 人人草人人爱| 爱操人妻| 99re在线播放| 色五月婷婷激情| 五月婷婷与六月丁香图片激情| 99久热| 182TV大香蕉| 九九爱看亚洲| 99性色| 亚洲色图在线视频| 天天操夜夜夜拍拍拍| 99九九热在线观看| 99re资源在线视频导航| 久久久色婷婷五月天| 天天噜| 伊久大香蕉| 久热久色| 99riAV国产精品视频| Aaa久久| 激情五月天激情网| 五月天久久综合| 香蕉99网| 狠狠va| 婷婷丁香五月激情| 婷婷六月天天| 人妻久久久久久久| 五月丁香亭亭电影久久| 九九热再线九九视频免费在线观看 | 丁香五月天激情四射网络不好 | 久久性操| 色一情一乱一乱一区91Av| 亚洲色情网站| 色10月婷婷视频| 精品99*| 久久久久激情| 婷婷精品在线| 日本婷久久| 69超碰在线| 成人 视频免费观看网站| 丁香五月综合图片在线观看| 中文在线成人| 国产偷人爽久久久久久老妇APP | 超碰99热精品| 夜夜操夜夜姧| 亚洲旡码| av不卡网站| www.五月丁香| 五月天色影院| 都市激情五月婷婷综合| 六月婷欧美| 岛国在线观看91| 久久婷婷伊人| 五月丁香婷婷激情视频| 五月丁色AV| 五月天狠狠色| 国产精品电| 99这里只有精品|v| 丁香色五月天| 激情婷婷丁香色五月综合| 色色狼人综合| 久久男人网婷婷| 色婷婷综合视频| 五月婷婷日| 色性日本| 国产中文亚洲欧美日韩性交| 九色激情网| 五月日韩中文字幕| 在线观看中文字幕| 最新va在线播放| 天天成人丁香美女AV| 丁香五月天AV在线| 好色婷婷| 午夜在线成人网站免费观看| 久热婷婷| 中文资源在线a| 日韩在线婷婷五月天综合| 久色成人| AV九九| 丁香六月婷婷综合啪啪| 婷婷干| 中字幕视频在线永久在线观看免费 | av婷婷六月丁香社区在线观看| 色五月婷婷五月天| 婷综合| 精品色色| 亚洲色情网站| 丁香五月成人在线| 欧美激情xxxXX| www.久久| 午夜爱插插| 亚洲精品网址| 八戒青柠影视剧在线观看| 99激情网| 五月丁香花成人社区| 色婷婷www| 97色婷婷五月天| 五月婷在线| 婷婷六月激情丁香| 五月亭大香蕉| 天天噜噜| 亚洲精品色色色| 激情综合婷婷久久| 久操操| 亚洲瑟瑟精品在线| 久久182| 久久9视频| 婷婷开心青青草| 久久9热综合| 日本片日本片祼观看网站在线看中文版网页在线看 | 日韩成人免费电影| 性天天中文网| www.五月天色色.com| 久久99网站| 天天爽天天日天天舔| 五月丁香成人| 国产AV一区二区三区日韩| 美女五月天| WWW久久久| 影音先锋偷偷色男人站| av最新在线| 2020日日干| 久久久久久99精品无码| 久久精品综合色| 日本九九视频| WWW免费视频碰碰碰碰| 玖玖午夜视频| 五月综合激情| 色色色999| 丁香五月婷婷亚洲人| 亚洲va欧美| 丁香五月网络网络| 色婷婷在线视频久| 在线综合婷婷| 久热这里只有精品视频6| 五月天色在线| 久久性爱视频久久性爱视频| 五月婷婷之美女图片| 亚洲视色| 五月丁香亭亭| 久久网日本| 天天干天天干天天操| 99综合视频一体| 精品香蕉99久久久久网站 | 天天爽,夜夜爽| 久久 婷婷 五月天| 九九热re99re6在线精品| 情色五月天网站| aaaaa黄色| 天天成人综合| 丁香婷婷十月| 狠狠搞狠狠操| 色婷婷综合久久久久| 婷婷五月天视频| 最近免费中文字幕大全高清大全1| 琪琪色网在线| 激情婷婷综合网| 日韩色久| 五月天婷婷三级黄| 五月婷婷婷婷婷婷艺术| 婷婷伊人五月天| 久久99久久99精品免观看粉嫩| 99热免| 国产FREESEXVIDEOS性中国| 婷婷在线日韩综合| 97香蕉人人在线观看| 91视频一起草| 另类综合激情| 79精品视频| 成人国产综合| 乱岳熟女50岁| 五月丁香A∨在线| 婷婷的99视频网站| 777久久精品| 五月丁香婷婷三级| 啪啪99| 亚洲精品V天堂中文字幕| 婷婷综合久久综合| 婷婷五月丁香久久| 国产精品-第3页-91JQ就要激情网91JQ5.JQJQ926.XYZ | 99热在线观看| 婷婷综合九月| 丁香午月AV中文字幕| 另类综合网| AV在线免费播放| 亚洲精品一区中文字幕乱码| 999精品久久久久久久| 日本综合色色| 色五月天视频| www.婷婷五月天| 精品亚洲国产成AV人片传媒| 色色婷婷丁香五月天| 欧日美女Va| 四色99久久| 99热这里有精品| 日日夜夜亚洲一区| 五月天色图| 视色综合| 丁香五月天堂网| 天天爱天天天射AV| 九月激情网| 99热这里只有精品官网| 久久婷婷精品| 丁香五月激情综合久久| 精品久久99| 噜噜久| 亚洲精品亚洲人成人网| 色色综合院| 99人这里只有精品| 九九热在线视频| 午夜69成人做爰视频| 久久婷五月综合| 99只有这里是精品| 久久五月婷| 9色操| www色婷婷久久综合久色| 婷婷五月综合网| 丰满人妻妇伦又伦精品国产| 天堂中文国产| 激情五月天激情综合网| 99ri在线视频| 熟女91九色| 婷婷深爱五月丁香网| 996er热| 免费看无码视频A级| 五月丁香欧美综合免费视频| 色婷婷基地| 色色五月综合| 五月丁香久久呀| 天天色视频| www.日本91| 亚洲无码九九| 精品夜夜澡人妻无码AV| 色婷婷欧美| 久久99热免费最新版| 天天日天天肏天天奸| 激情文学 综合 色| 99视频网址| 五月婷婷 自拍| 先锋资源996| 四色99久久| 婷婷五月色图| WWW五月| 丁香五月婷婷综合啪啪| 激情深爱综合| 亚洲永久免费| 九九十99视频| 婷婷五月天激情诱惑| 欧美槡BBBB槡BBB少妇| 久久五月丁香婷婷| 91婷婷在线| 激情久久丁香| 婷婷激情五月综合| 99热草草| 色五月婷婷视频| 九月丁香婷婷| 激情五月天久久丁香| 五月丁香激情四射| 欧美大道不卡| 婷婷六月激情| 激情五月婷婷色色| 色婷婷五月天小说| 婷婷大香焦| 色亚洲婷婷| 极品人妻VIDEOSSS人妻| 综合久久婷婷五月丁香| 97人人干| 日韩综合网络男女香蕉a片| 天天日天天插| 99丁香五月婷婷在线| 婷婷五月天激情文学| 色婷婷五月丁香色| 色婷婷色人人射| 大香焦啪啪啪| 久久久99精品| 九九一区| 久久网思思| 狠狠色丁香乆乆| 色五月婷婷啪啪五月| 黄网在线免费观| 日本va视频| 天天干天天日蜜臀av| 综合图区激情| 天天综合区| 开心五月天激情网站| 五月婷婷久久网| 日日日天天干| 日本人妻操| 五月天激情视频| 99热在线资源| 亚洲综合五月天婷婷丁香| 粉嫩av蜜桃av蜜臀av| 色五月婷婷基地| 久久综合九九| 99无码精品| 女人天堂av| 久久人妻少妇嫩草AV| 久色网五月| www色哟哟| 激情五月丁香亭亭| 婷婷爱五月| 超碰激情网| 色色综合无码| 国产亚洲精品AAAA片APP| 五月综合亚洲| 大香蕉在线99热| 欧美五月丁香| 六月丁香六月婷婷欧美| 美日韩成人| 婷婷的激情五月| 夜夜操加勒比| 天天爽日日爽夜夜爽| 新激情综合| 97久久久久| 狠色狠色狠狠色综合网| 99热热热99精品婷婷| 99热无码| 国产免费一区二区三区三州老师F1F1.CC| 色婷婷操逼| 另类色网| 五月丁香婷婷伊人| 国产精品VA在线| 色情丁香五月婷婷精品| 国产67194| 综合五月激情| 婷婷九月在线| 99热激情| 九九婷婷五月天影视| 男人天堂AV在线一区二区| 伊人碰碰碰| 狠色狠色狠色狠色狠色网| 国产高潮白浆一区二区| 99热1| 久久只有精品| 日噜噜色| 丁香婷婷久久 | 欧美在线| 人妻操逼视频| 五月天婷婷久久| 无码视频国内精品久久久| 色色色热热热| 亚洲性受XXXX五月丁香| 国产操B| 五月丁香啪综合| 色婷婷成人在线| 色五月婷婷影视| 99热色精品| 这里只有精品9| 丁香婷婷六月天| 成人超碰网| 91丨九色丨熟女丰满| 秋霞三级色戒| 婷色五月| 婷婷五月天成人小说| 五月天婷婷在线观看| 五月婷婷五月天天| 九九色区| 嫩BBB槡BBBB搡BBBB| 丁香五月成人av| 亚洲色婷婷色| 婷婷丁香色性爱| 久久亚洲婷婷| www激情| 人妻性爱| 91啪啪啪啪| 99热精品在线观看| 五月丁香性| 视频免费精品免费精品免费精品免费精品免费精品免费精品免费99 | AV人人操| 79色色色色| 婷婷六月激情小说网| 中文字幕成人日韩| 激情五月天网站| 色播五月婷婷| 五月丁香啪啪拍| 天天综合网~91综合网| 国产乱人偷精品人妻A片| 婷婷五月天亚洲五码| 婷婷精品在线| 久久性爱视频| 狠狠色噜噜色狠狠狠综合色 | 丁香五月婷婷影视先锋| 五月天色丁香| 色偷偷色婷婷| 色综合色欲综合天天免费| 九九干视频| 五月丁香色欲| 天天综合网站| 99色视频| 视色综合| 天堂婷婷五月在线| 久久天堂网| 天天日P天天射P| 国外亚洲成AV人片在线观看| 色99日韩| ji'qi'luan'ren'lun| 五月丁香WWW| 日韩ac不卡无码| www.久9| 久久全意婷婷| 九九久久综合| www.婷婷六月天| 天天草天天摸| 激情五月六月丁香| 婷婷五月激情的图片| 99干99| 久久天堂女人| 成人αV视频免费观看| 色五月av| 九九aV| 五月天社区婷婷丁香社区| 五月天影院|