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
91综合在线观看首页| 99热精品观看| 夜夜操夜夜姧| 综合色色色| 97ai婷婷| 久热只有这里精品| 亚洲亚洲人成综合网络| 久青青久| 久久九九99| 综合精品99| 午夜性爱影视一区77| 久99久在线| 五月婷婷亚洲色图| www.激情五月天com| 夜夜骑夜夜操| 色婷婷综合久久久久| 婷婷丁香人妻天天久久| 亚洲黄色网址| 三区激情四射av| 97色女人在线| 光棍影院日韩精品| 99久久极情精品一区| 青青久在线视频免费观看| 玖玖婷婷五月天| 色婷婷免费观看| 久久开心五月婷婷| 99re欧美精品| 色五月婷婷大| av亚洲国产小电影| 思思热思在线精品视频| 一本色道久久综合狠狠躁小说| 成人免费在线电影| 亚洲操操操| 综合在线观看99| 日本va网站| 婷婷色五月天在线| 国产操碰| 99啪啪视频| WWW99视频| 激情内射p| 开心色色五月天综合| 国产日批视频免费播放| 97碰啪啪| 亚洲AV成人片无码网站| 欧美色婷婷| 9人人操人人看| 99热成人| 久久9热| 五月婷婷六月奇米网丁香| 亚洲1区| 热99国产精品| 丁香五月在线播放| 五月婷婷激情四季| 五月激情天| 激情综合自拍五月婷婷色五月| 综合AV在线| 99日精品视频| 日本色图综合| 五月色婷| 欧美性爱五月天| 五月丁香六月色婷| 99热久| 丁香六月激情综合| 99色在线观看| 另类天堂| 99精品无码| 深爱激情中文五月天av| 内射爽无广熟女亚洲| .操區COm| 荫道BBWBBB高潮潮喷| 情婷婷五月天在线| 玩熟女五十AV一二三区| 丁香五月天天高清在线| 98热精品| 国产激情在线| 97色婷| 五月激情丁香五月宗合| 国产肥白大熟妇BBBB视频 | 五月丁香综合啪啪| 丁香五月天偷拍| 五月丁香免费看| 好好干Av| 国产午夜精品一区二区三区嫩草| 丁香五月冃欧美| 91狼友视频网页更新| A久网| 色综合久久久无码中文字幕999| 天天操九九插| 九九99热精品| 欧美日本另类| 亚洲美女高潮久久久久久69| www婷婷| 天天搽天天射| 五月天色小说| 激情五月婷婷六月丁香| 六月丁香六月婷婷欧美| 色五月在线观看| 激情五月天黄色小说| 丁香五月综合| 激情五月五月五月婷婷| 日本三级片片| 日韩久久视频| 婷婷在线播放av| 99色色网| 丁香五月天啪啪激情综和网| 九九色色| 97好吊操| 99热欧美偷拍| 99色色网| 久久久人妻门| 伊人久久大香蕉网| 在线只有精品| m色激情网| 26uuu成人网| 色婷婷丁香五月天在线观看| 大香蕉综合| 任你爽视频| 婷婷五月激情欧美大胆视频| 国产小网站| 婷婷色五月激情强奸四射| 91狠狠色| 婷婷色五月综合| 色J香五月天| 99狠狠操一| 国产性爱亚洲是图| 婷婷五月天男人影院色色网| 日本激情91| 另类激情中文| 五月丁香婷婷俺| 九九久久高清| 久久久噜噜噜久久人妻| 狠色色狠网| 五月天伊人综合| 色色色色网站| 亚洲人妻五月丁香婷婷| 影音先锋色婷婷| 成人做爰A片免费看视频| 99精品22| 丁香九月激情| 超碰cap| 五月婷婷激情综合在线| 99@久久@99精品视频| 99热这里只有精品9| 激情丁香社区| 色欲AVV| 激情綜合網址| 99久久思思| 亚洲成人AV在线| 日韩成人精品中文字幕| 天天操夜夜爱| 久操大香蕉| 狠狠精品干练久久久无码中文字幕| 五月丁香激情婷婷| 人妻操逼视频。| 亚洲精品V天堂中文字幕| 色五月婷婷色五月| 久热精品视频在线观| 1024亚洲无码| 婷婷九月激情| 天天色官网| 91ncm视频| 91狠狠综合久久久久久| 五月天婷婷小说| 无码一区二区三区四区五区| 亚洲精品成人片在线播| 开心五月激情网| 色婷婷亚洲六月婷婷中文字幕| 婷婷丁香色五月亚洲| 久热精品免费视频4| 欧洲亚洲午夜| 五月综合六月婷婷| 五月天天丁香婷婷在线中| 久久玖玖99| 99超级碰免费视频| 六月丁香激情网| 色婷婷av在线| 亚洲人成网站999综合| 色婷婷888| 久久久婷丁香五月| 婷婷99狠狠躁天天| 操操熟女| 中文字幕网伦射乱中文| www色色色com| 五月婷婷免费在线观看视频| 亚洲AV激情五月综合网| 啪啪综合| 2022久久婷婷| 日韩黄色中文字幕| 久久久精品人妻| 国产激情婷婷| 俺去也在线官网| 超碰91av| 综合九九日本| 亚洲网综合在线| 欧美日综合| 色噜噜婷婷| 五月天色导航婷婷资源婷婷| 91人人澡人人爽人人看| 色yeye欧美| 四色永久成人网站| 97资源欧美日韩大香蕉超碰一区| 色狠狠色综合| 丁香五月天殴美激情| 超碰人人超碰| AⅤ在线播放网| 色99色| 五月激情天| 99在线看片| 九九99在线免费在线观看视频| 九九美女视频| 午夜伊人大香蕉| 五月丁香综合激情| 天天人人人人人人人人人人人| 天天干天天干天天干天天干天天干天天 | 婷婷激情丁香五月天综合| 影音先锋91男人资源在线播放| 极品人妻VIDEOSSS人妻| 亚洲a色| 日日噜噜夜夜狠狠久久丁香五月| 激情五月婷婷综合色播小说| 婷婷五月天xxx| 久久99久久99精品免视看婷| AV色婷婷| 欧美WW在线网| 日本在线wwww| 五六月婷婷久久| 激情婷婷丁香| 五月婷婷AV| 欧美成人va| 五月宗合激情网| 色五月婷婷成人视频| 99色五月| cao久久| 久久婷青青草原| 九九Av| 综合五月婷婷| 久久停停超碰| 亚韩在线视频| 欧美视频五区| 九九热在线视频| 天天婷婷色六月| 亚洲综合新99视频| 成人精品一区二区三区四区五区| 久草五月| 成人短视频在线观看| 九九人人自拍| 九月激情综合婷婷| 伦99热| 五月婷婷之综合激情在线| 99ER热精品视频| 91久久久久久| 婷婷五月天激情小说| 色色色色色色网站| 五月婷婷中文字幕| 久久免费精彩视频| 五月综合激情| 亚洲欧美成人在线| 亚洲成人免费在线| 五月婷婷激情网| 大香蕉av在线| 99热精品中文字幕| 欧美色五月| www.婷婷五月| 大香蕉久| 婷婷爱五月| 日本高清久久| 国产亚洲精品久久久久久郑州| 99色色网| 人人爱操| 激情五月天网| 免费观看欧美成人AA片爱我多深| 成 人片 黄 色 大 片| 五月天综合| 九九aV| 夜夜爽天天爽| 99热亚洲| 色色网站毛片| 丁香五月激情啪啪综合| 日韩久操婷婷| 亚洲色图日韩网址| 91精品国产99久久久久久天美| 丁香五月开心亚洲| 久久久激情视频| 五月天堂婷婷| 视频这里只有精品| 亚洲视频丁香网va| 丁香五月第四色88| 2025色婷婷| 五月丁香中文| 丁香婷婷色色| 26uuu欧美日本| 亚洲国产99| 色婷婷小说| 嫩BBB槡BBBB搡BBBB| 欧美搡BBBBB摔BBBBB| 成人做爰高潮A片免费视频| 欧美大片免费观看| 色婷婷小视频| 九九热在线99| 99re99在线看| 婷婷色播综合五月| 婷婷综合色五月天| 国产午夜精品一区二区| 99操| 日日影院 | 大香蕉色婷婷伊人在线| 国产欧美大香蕉一区| 婷婷狠狠狠爱| 先锋五月婷婷丁香草草| 天天色综合色色色色色。| 色婷婷深爱五月| 五月天狠狠干| 丁香婷婷月| 丁香五月婷婷亚洲综合精品| 狠狠操综合| 婷婷五月天影院| 五月婷婷香蕉| 丁香六月婷| 色综合激情| 色五月婷婷天天干| 色婷婷五月天天天干天天操天天爽| 丁香五月激情六月欧亚激情综合导航 | 久久激情五月| 超pen个人视频97| 9999热在线| 五月丁香综合成人社区| 俺也去在线久久精品23欧美综合视频网站,丰满人妻一区二区三区在线视频53,丰满 | 99在线一区| 久激情| 五月丁香婷婷基地| 天堂五月婷婷| 激情五月婷婷五月| 99热这里只有精彩| 天天综合精品| 亚洲久久激情| 色99综合色88| 在线超碰91| 久操人妻| 丁香五月婷婷激情视频播放| 天天做天天爽| www.99热| 丁香色五月AV在线| a色色片| 欧美婷| 色屌丝中文字幕| 中文字幕在线日亚州9| 天天天天操| 日本天堂网站99| 五月激情射| 六月婷婷成人| 日韩色五月| 99自拍视频在线观看| 国产精品人成A片一区二区| 久久玖玖99| 99热99美国在线观看| 51成人| 91免费在线视频6| 五月丁香欧美综合免费视频| 成人在线视频一区| 婷婷五月天社区| 色婷大香蕉| 99热精品在线观看| 色婷婷丁香| 婷婷六月色| 丁香五月婷婷图片综合| 99操中文视频| 天天xxxxxx天天日| 99免费| 亚洲av另类在线观看| 激情99| 综合色天天| 99热这里只有精品1| caop在线视频| 九九色中文| 武则天精品久久| 丁香五月丁香伊人| 99综合久久| 亚洲日韩一页精品发布| 色综合久久88色综合天天看| 五月在线婷色| 九九热在线视频观看| 五月婷六月| 婷婷五月丁香综合亚洲| 欧美日韩一a.无| 综合五月天完整| 色五月在线播放| 97在线日韩| 五月丁香六月婷婷精品| 婷婷久久色| 日日夜夜干| 99日在线观看视频| 五月丁香六月婷婷亚洲激情综合| 99狠狠色| 任你干线上免费视频有3吗| 婷婷五月天国产精品| 丁香五月婷婷在线观看| 亚洲日韩一页精品发布| 激情四射网| 人人人va亚洲视频在线| 天天插天天插| 久热丁香| 99成人无码| 久久婷婷影院| 五月丁香亭亭AV女优| 亚洲精品乱码久久久久99| 亚洲色色色| 电影91久久久| 综合久久综合久久| 日日.c| 亚洲精品久久久无码| 久99久精品视频| 99久久久国产精品免费蜜乳tv| 婷婷金品综合视频| 2017人人操| 女力报到正好爱上你| 五月天丁香| 啪啪夜久久| 色久激情在线| 被强行糟蹋的女人A片| 日本不卡中文字幕| 久久婷婷综合五月趴| 粉嫩AV久久一区二区三区| www.henhenl| 欧美久久婷婷| 婷婷丁香社区| 亚洲国产婷婷色五月| 五月综合在线| 婷婷丁香综合色AV| 日日狠夜夜狠| 99热久久这里只有精品| 久久久久久久丁香五月天婷婷| 激情五月丁香婷婷| 六月婷婷天堂| 五月天成人网婷婷| 香蕉久久国产AV一区二区| 99热在线中文字幕| 99精彩视频| 超碰97在线观看免费| 五月婷婷综合网在线播放| 丁香五月自拍| 久久久性爱网| 青青草原伊人网| 日韩无码亚欧无码| 亚洲狠狠狠| 情欲禁地| 开心五月婷婷六月丁香| 五月天成人综合| 超碰二区| 蜜桃人妻无码AV天堂三区| 亚洲午夜国产成人电影VA国产欧…| www久久99com| 99热欧美| 97干免费视频| 久久婷婷五月综合色奶水99啪| 五月丁香婷婷激情四射迷人| 99视频这里只有精品10| 婷婷五月天综合久久日| 婷婷丁香五月天中文字幕| 风流少妇A片一区二区蜜桃| 俺也去婷婷五月天第五色| 97色97干| 激情五月,激情综合网| 日韩三级高清无码| 91seAV| 婷婷六月视频| 国产精品24r| 中文不卡一二三区| 欧美成人精品A片免费一区99 | www色五月| 另类伊人婷婷| 在线视频激情网站| 色婷久| 人人视频色| 碰99在线| 日本 @ va 免费| 婷婷五月丁香第四色超碰在线| 亚洲一区先锋影音| 精品人妻在线免费观看| 五月天婷婷影院影院| 亚洲精品国产A久久久久久| 婷婷欧美色| 丁香在线视频| 精品色情一区二区三区四区| 日日干日日| 秋霞午夜理论| 久久精品国产精品| 白天AV月月| 99热精品在线观看| 夜夜做天天爽| 丁香色婷婷色手机免费在线| 操一操| 超91热| 丁香五月婷婷色播艳门照| 久久男人网婷婷| 婷婷5月九九| 性爱五月婷| 婷婷五月情| 六月丁香婷婷色狠狠久久| 五月 激情视频| 99久在线观看| 一本色道久久综合狠狠躁小说| 99er这里只有精品视频| 开心五月激情网| 色播播之激情五月婷婷| 亚洲愉拍99热成人精品| www.亭亭五月天| 91热在线观看视频| 婷婷五月天天爽| 91人操| 色综合色色| 亚洲色9| 无码少妇高潮喷水A片免费| 色婷丨日丨天丨综合久久| 九九亚洲天堂| 久久在线人妻| 日韩性爱无码| 97人凄人人操人人爽| 99热精品在线观看| 大战熟女丰满人妻AV| 激情五月丁香激情综合网| 国产露脸150部国语对白| 我爱宗和色| 97超级碰人人| 能看的AV| 久9久9久9久9久9久9| 91九色在线| 国产激情综合五月| 99热午夜精品| 六月丁香六月婷婷欧美| caop在线| 国产欧美熟妇另类久久久 | 久热大香蕉| 九九色综合| 五月色俺婷婷| 五月激情婷婷国产精品久久久久久| caop在线| 中文字幕+乱码+中文字幕在线观看| 少妇性按摩无码中文A片| 99只有这里是精品| 777久久久| 久操人妻| 性小说五月天| 亚洲激情六月| 久久综合爱| 久久亚洲网| 精品热九九| 天天爽,夜夜爽| 91黄操| 婷婷五月天激情小说| 天天色综合网吨吧| 91碰碰视频| 色婷婷电影网| 五月情婷婷| 丁香五月激情棕合| 日本人妻伦在线中文字幕| 性色99| 久Se视频在线观看| 九月婷婷综合| 日本婷婷色日| 激情五月婷黄版| www.久99| 九九色人| 天天射天天射一道本日本社区| 五月丁香六月激情在线| 婷婷天天综合| 99日逼视频| 丁香五月综合| 激情五月丁香六月综合AVXXXX| 伊人久久大香线蕉av最新| 成人综合网站| 五月丁香激情综合啪啪| 欧美日韩大黄| 亚洲午夜Av| 色情五月婷婷| 涩综合婷婷| 五月天国产成人| 色色六月| 精品人妻一区| 色婷婷成人| 婷婷五月天最新综合你懂的 | 日本不卡高字幕在线2019| 天天爽天天干| 综合久久丁香婷婷,五月婷婷六月丁香,开心激情综合网,六月丁香在线观看,婷婷丁 | 99激情在线| 色婷婷丁香花五月天| 美欧日韩国产成人在战| 99热综合在线观看| 99色视频在线观看最新| 丁香六月在线综合| 亚洲人妻AV| 五月香六月婷| 五月激情丁香五月| 91精品丝袜久久久久久久久粉嫩| 五月天啪啪| 婷婷五月天激情小说| 99无码免费视频| 婷婷影院欧美| 精品夜夜澡人妻无码AV| 久久综合丁香| 欧美激情-区二区三区| 91精品久久久久久综合五月天| 久久综合站| 久久九九色| 色五月丁香六月欧美综合| 成人av在线电影| 一级片无码| 超碰成人电影| 久色五月| 99操久久| 九九av| 五月婷婷亚洲综合网| 中文字幕无码成人电影| 久久小说网| 激情五月综合网最新| 五月婷婷开心六月激情小说| 婷婷大香蕉| 91九色 熟| 日日爽夜夜爽| 97色啪| 久久亚洲婷婷| aaaaa不卡| 亚洲黄3级片网站欧美| 一二线视频 另类| 97色碰| 这里只有精品无码| 五月丁香花伦理电影| 亚洲九区| 啪啪操超碰| 欧美久久九九| 双性美人被调教到喷水A片| 五月婷婷三级| 婷婷六月天激情| 538在线| 性欧美日本| 五月婷婷亚洲综合在线| 亚洲乱码日产精品BD| 97色在线| A1片久久久| 99视频网| 操嫩逼电影| 激情综合婷婷五月| 九九综合九九| 丁香五月激情综合婷综| 91九九热| 懂色av粉嫩av蜜臀av| 天天拍天天操| 亚洲五月婷婷| 婷婷操久久| 伊人五月天在线| 葵花AV在线| 九月丁香婷婷基地| 情欲禁地| 另类天堂| 狠狠草在线观看| 玖玖在线视| 日韩啊啊啊| 日日插日日干| 狠狠色情婷婷| A一级操| 色狠狠五月天| 亚洲黄色影视| 日韩一级A片黄色| 97碰成超视频免费视频| 丁香五月婷婷高清| 九月婷婷综合色干| 丁香五月婷婷国产av| www久| 午夜一区| 丁香五月综合| 色射影院| 丁香五月婷婷AV| 91午夜激情| 色婷视频| 深爱激情网五月天| 激情五月婷婷中文字幕| 最新亚洲色色网| 色情丁香五月天| 怕怕av| 日韩欧美一区二区三区四区| 激情综合网五月在线播放| 9l视频自拍九色9l视频自拍九色9l社区 | 深爱五月婷| 岛国av电影网站| www.丁香黄色五月天人与| 色播五月天天| 2023天天日夜夜爽| AⅤ色区| 六月五月久久丁香| 青青草护士中出内射-欧美电影在线天堂新版 | 色色五月婷| 久久久婷| 99在线精品免费视频| 亚洲色婷婷| 六月色婷婷| 亚洲成人综合在线| 五月丁香综合网| 少妇人妻人伦A片| www.久久99| 九九热视频在线观看| 亚洲色婷婷| 免费看欧美成人A片无码| 五月天激情网站| 99国产精品白浆在线观看免费| 丁香五月自拍| 久久精品99国产精品日本| 香蕉久久国产AV一区二区| 超碰av在线| 伊人无码高清| 久久久久久久久久久-久五月天婷婷| 亚洲蜜桃精久久久久久久久久久久| 99热日本| 日日操天天操| 五月综合视频| 久久久天堂国产精品女人| 五月天啪啪网| 亚洲视频无| 99超级碰碰| 五夜婷婷| 开心久久xxx色| yazhou seshipin| 色婷婷五月网| 99操逼| 婷婷五月在线观看| 婷婷在线播放| 色五月综合激情| 婷婷五月影院| 色伊人91在线视频| 亚洲成人AV一区在线观看| 91啪啪啪啪| 男人天堂99| 思思久久99热| 天天草狠狠擦| 99热99热99热99热| 99热亚洲精品| 五月色丁香| 97碰久久| 成人在线视频网| 无人区码一码二码三码医生系列| 99在线看视频| 玖玖五月| 99热欧美在线观看| 涩涩网五月天| 这里只有精品视频免费在线观看| 色色五月丁香婷婷| 五月色综合| 九九草草逼| 97婷婷在线| 九九五月天| 亚洲色婷婷婷婷人人爽| 婷婷五月天BBw| 婷婷五月天网址| 成人看片网站| 五月天色色网站| 99热热热天天人人人超超碰| 久久婷婷东京热| 婷婷色在线| 丁香激情六月天婷婷| 五月天婷婷成人| 超碰在线人妻| 97久久人人人干| av免费在线观看0| www,色婷婷| 琪琪理论片| 日夜夜久久| www.婷婷六月天| 国产精产国品一二三在观看 | 天天碰夜夜操| 五月丁香在线观看99| 久久这里只有精彩| 丁香五月婷婷综合网| 成人综合AV| 中文字幕按摩做爰| 9999综合99综合人| 色综合网上班开心婷婷久久| 人妻VideOssS人妻| 婷婷午夜综合| 中文字幕人妻熟女在线| 99丝袜精品视频网站| 亚洲操逼网| 大伊久久| 精品99在线观看| 欧美在线视频99| 久久丁香婷婷色情综合| 精品久久99码| 九九久久综合网站| 亚洲熟女色| 国产AV熟妇人震精品一品二区| 4438国产免费看| 99热精品少| 另类激情中文| 这里只有精品视频| 激情av网| 六月丁香啪| 天天插天天日| 91精品久久久久久综合五月天| 婷婷五月丁香激情图片| 久久这里都是精品免费| 天天干夜夜想| 婷婷色网| 久久五月情| 99re热精品视频国| 伊人AV五月婷| 激情五月色婷婷| 五月天丁香看婷婷| 思思99热在线| 婷婷五月丁香色综合| 极品人妻VIDEOSSS人妻| 97人人搞| 色色丁香激情五月| 久久免费精彩视频| 99热全是精品| 色欲丁香久久| 中文AV在线播放| 五月丁香婷婷伊人日韩| 久久久久久久五月婷婷六月丁香综合,开心激情综合网 | 九九热AV| 天天爽,夜夜爽| 99热免费| 黄色成人网站在线播放| 五月停停丁香| 俺去也婷婷| 天天操五月天| 9这里只有精品| 依人大香蕉| 超碰在线94| 激情丰满熟妇五月| 开心五月婷婷激情| 亚州精品成人片| 激情图片婷婷| 大香蕉啪啪网| 大胆伊人久久| 丁香五月婷婷激情视频播放| 五月花激情| 色噜久| 艾小青av| 亚洲欧美成人在线| 激情综合国产| 婷婷五月激情视频| 国产肥白大熟妇BBBB视频| 综合久久综合久久| 六月婷婷五月天| 日韩成人精品中文字幕电影| 九九国产视频| 丁香五月欧美午夜视频| 五月丁香综合色婷婷| 婷婷,五月天,丁香,第一| 久9无码视频| 91人人人人人人人| 激情婷婷丁香色五月综合| 色色五月婷婷| 国产亚洲99久久| 丁香五月天激情网| 最近韩国日本免费高清观看| 在线中文av| 婷婷亚洲综合| aaaa久久| 我要色综合五月婷婷| 五月天狠狠| 熟女网站久久| 久久久久久人妻久久久久久久久久人妻久久久 | 五月激情婷婷国产精品久久久久久| 伊人网色婷婷五月天| 丁香五月天堂网| 五月天堂色| 99热这里都是精品| 超碰在线资源| 色噜综| 嫩草AV久久伊人妇女超级A| 9999久久久久| 色天堂A| 停停六月 综合| 99热久草| 91精品激情9| 国产精品久久在线观看技巧| WWW,五月| 色热久| 神马欧美精| 亚洲色五月婷婷| 婷婷丁香五月六月激情| 少妇大叫太大太粗太爽了A片| 色五月综合网| caop在线视频| 激情爱爱网站| 人人摸人人澡人人| 欧美色色日韩| 婷婷五月天在线综合| 伊人久久丁香五月91| 五月丁香激情综合六月涩涩爱| 色婷婷电影网| 99精品无码视频| 久久99精品久久只有精品| 亚洲愉拍99热成人精品| 久久综合影院| 伊人色综合久久久| 人妻少妇色综合| 五月丁香最新| 色色网站| 亚洲天堂制| 婷婷激情五月天小说| 九月丁香八月婷婷加勒比| 五月丁香成人| 少妇AB又爽又紧无码网站| 99热99热在线观看| 亚洲色久| 亚洲 精品 综合 精品| 五月丁香在线| 国产永久一二一起草| 99操碰| 蜜臀A∨在线水帘洞| 五月丁香在线| 激情q青青草在线婷婷| 狠狠操狠狠插| 日本激情ⅩXX免费视频| 五月丁香综合啪啪| 伊人大香五月天| 色色色综合网| 天天草婷婷五月| 国产国产乱老熟女视频网站97| 五月丁香六月激情综合啪啪| 情欲禁地| 五月天成人手机在线视频| 日韩AV在线影片| 丁香婷婷色五月天| 久久性都花花世界成人免费视频| 天天色天天色天天色天天色天天色| 亚洲乱码日产精品BD| 天天碰天天插天天操| 六月婷综合| 久久99免费视频| 极品少妇婷婷五月| nvrentiantang av| 国产三级片91| 久久久18| 久久这里只精品66| 欧美在线干| 狠狠肏综合网| 天天狠狠综合精区| 日夜夜久久| 欧美日本97| 日韩精品一区二区亚洲AV观看 | 亚洲高清在线| 国产日比| 六月丁香五月激情网| av在线婷婷| 色5月婷婷| 超级碰人人操人人干| 天天色噜| 五月丁香婷婷综合久久| 亚洲中文av| 亚洲综合视频天天精品| 色五月av| 五月夜丁香| ztEJj| 俺去也综合| WWW99热| 99这里有精品视频| 亚洲日韩26uuu| 亚洲成人丁香花| 欧美性色视频| 色狠狠色| 天天操夜夜操| 五月丁激情| 天天综合网~91| 欧美性爱五月天| 91久久久久久久久久久| 午夜丁香婷婷| sewuyuejiqingwang| 伊人超碰在线| 97影院一级片| 色五月婷婷五月丁香五月激情五月视频 | 色宗合久久五月婷婷| 久碰久| 99精品视频在线观看| 五月婷亚洲精品AV天堂| 97五月天| 天天操夜夜肏| 超碰色女| 五月婷丁香| 婷婷久久五月| 日韩三级高清无码| 99色在线观看视频| 亚洲国产精品成人免费一区久久久在线观看AAAA | 婷婷综合五月天| 久久A区B区| 色婷婷久久综合久色综| 五月婷婷丁香| 婷婷五月深深爱| 丁香五月情| 激情开心五月天| 亚洲色情网站| www.99久| 人与禽A片啪啪| www激情| 欧美黑人大吊| 91无码一起草| 国产精品日日躁夜夜躁| 国内婷婷丁香社区在线播放| 91熟妇大香蕉| www狠狠| 五月天五月色| 成人网站av免费网站推荐| 亚洲欧美成人在线| 久久久人妻门| 五月天丁香网站| 久久久亚洲精品一区二区三区浴池| 久久一热| 五月婷婷啪啪网| 国产国产乱老熟女视频网站97| 26uuu最新地址| 久久久人妻久久久| 任我干视频在线观看| 亚洲旡码| 五月丁香婷婷人体| 99色五月| 99精品偷自拍| 99激情网| 97sese婷婷| 久久婷婷视频| 九九精品网| 五月丁香六月综合情在线观看| 波多野结衣不卡AV| 激情另类综合| 99性感视频| 欧洲S级在线观看| 202丰满熟女妇大| 九九视频在线| 婷婷久久国产视频| 激情婷婷九月| 无码日本精品XXXXXXXXX| 久久99热免费最新版| 就是色婷婷五月亚洲色| 国产91在线视频| 色色色99| 五月激情站| 色爱99| 五月婷婷综合影院| 成 人片 黄 色 大 片| 亚洲秘 无码一区二区三区妃光/1| 深爱激情四射| 久99久精品| 99热爆在线| 天天色综网| 岛国AV网| 99久热这里有精品| 婷婷成人AV| 成人超碰网| 欧美内射AA| 思思热AV| 久久99这里| 七七色色综合| 亚洲午夜成人av电影网| 色婷婷综合网站| 亚洲热久久| www。88热在线视频免费观看| 婷婷爱五月| 一本色综合色| 五月天综合网| 色五月婷婷丁香五月| 激情五月天丁香| 69人人操人人爽| 亚洲无码99| 激情丁香五月| 伊人狠狠干| 欧美群妇大交乱婬网| 人人操人人爰人人一天天碰夜夜拍夜夜爽-中国A级毛片天天看天天谢… | 色五月首页| 婷婷五月精品中文字幕| 激情综合另类| 欧美五月丁香啪啪响视频| 欧美丁香五月| 婷婷丁香五月综合网| 五月丁香六月激情在线| 开心五月深爱五月| 高清无码中文字幕aVDV| www.激情五月天。com| 五月婷婷激情日本| 婷婷色情 | 婷婷丁香五月亚洲17cao| 天天做天天爽| A久网| 五月丁香六月婷婷中合网| 国产亚洲网站在线| 狠狠色噜噜狠狠狠狠狠色综合久久| 色色射| 97色啪| 日日爽日日爽| 九九在线免费观看| 亚洲午夜精品久久久久久人妖| 久久久久网站| www九月婷婷| 久久人人做人人妻人人玩精品va| 亚洲最大视频| 五月天丁香成人| 日日操夜夜骑| 欧美毛片www| 99爱爱| 色色色色色色色色色色色色色五月天| 大地资源色婷婷视频在线| 色色色成人网| XX久久| 天天透天天爱| 丁香六月亚洲综合| 婷婷五月俺要去| 久久久思思热| 日本一道久久| 9福利性视频欧美| 人妻中文字幕精品| 伊人喵咪a V| 香蕉久久国产AV一区二区 | 五月天激情网站| 久久久性爱视频| 五月天久久综合| 五月花综合视频| 婷婷激情五月综合丁香社| 熟女激情网| 亚洲第一成人无码A片| 9久久网| 婷久久久| 五月婷婷很很色| AA片在线观看视频在线播放| 狠狠综合网| 五月婷婷婷婷| 秋霞性爱AV| 任你日视频| 免费看成人747474九号视频在线观看| 深爱激情丁香五月| 丁香五月天视频在线播放| 欧洲亚洲免费视频区| 亚洲色精彩| 五月丁香| 丁香五月婷婷AV| 9月色婷婷| 亚洲顶级VA在线观看-高清完整版在线影院观看-S022AV | 色婷婷丁香AV综合| 97干在线视频| 人妻久久久久久久 | 九九精品碰| 嫩草视频。| 婷婷丁香精品视频在线观看| 大香蕉AV电影在线| 《亚洲操B久久免费在线观看,亚洲操B久久在线播放》在线播放 - 高清资源 - 97 | 男人天堂AV在线一区二区| 亚洲视频在线网| 97偷拍在线视频| 久久婷婷综合色丁香| 亚洲成人网址在线观看| 婷婷五月激情小说| 狠狠 久久| 婷婷桃色网| 色护士综合| 97婷婷五月激情六月丁香伊人| 六月丁香成人| 五月激情综合性爱| 日本乱论99| 久久精品99久久| 久久久久8888| 操逼毛片国语对白| 丁香五月天网站| 久热无码| 男人的天堂999| 天天操夜夜啊| 色色色综合视频| 国产va在线视频| 色欲五月天| 久久婷婷操| 伊人色综在线| 岛国AV网站| 色欲一二三| 欧洲色色| 六月撸婷婷| 亚洲网视屏| 婷婷香五月天| 色综合色综合网| 九九碰九九爱97超碰| 午夜性做爰电影| 天天日天天久久青青| 亚州在线中文字幕| 影音先锋AV资源男人站| 五月天丁香花婷婷| 久久91久久91色欲精品| 亚洲激情综| 婷婷丁香五月麻豆| 日本a片网址| 亚洲激情高潮| 日本九九热| 色狠狠综合入口| 人妻久久久久久| 97碰超级人人看| 99久久极情精品一区| 色情综合| 少妇大叫太大太粗太爽了A片| 91se精品国产| www日本熟妇99在线视频| 亚洲123区高清入口| 大香AV| 色色色地址| 色色激情五月天| 婷婷六月爽| 99久久婷婷五月天| 开心激情播播五月天| 色婷婷精品视频| 婷婷99| 蜜臀AV在线观看| 超碰cap| 99人人操| 五月天激情影院| oumeisesewang| 亚洲婷婷成人五月天| 婷婷六月天激情| 五月丁香色| 色婷婷五月综合| 久久久婷丁香五月| 综合亚洲AV| 丁香五月婷婷激情网| 丁香五月丐人妻| 五月丁香亭亭天天舔| 99热一区| 国产亚洲在线观看| 亚洲精品V天堂中文字幕| 丁香五月 性爱| 色情婷婷。| 亚洲人成网亚洲欧洲无码久久| 丁香六月婷婷开心| 99.色| 99成人| 五月丁香大香蕉| 婷婷天堂伊人| 丁香六月婷婷综合欧美| 天天玩天天摸| 奸逼视频| 这里只有精彩视频| 日本一级一级一级一级| 四川BBB搡BBB爽爽视频| 国产操逼网站| 色婷婷综合网站| 视频这里只有精品16| 夜夜骑天天玩天天日| 色呦呦美女| 1000部毛片A片免费观看| 伊人九九九久| 亚洲第一黄网| 午夜爱爱爱成人| jiZZdr| 色五月欧美| 天堂呦 呦百度搜索-百度搜索| 大胆伊人久久| 丁香激情久久| 五月色 亚洲| 成年人丁香五月| 天天天天操| 日韩不卡123| 亚洲视频二区| 日日操日日干| 久久九精品| 久热九九| 高清 码 免费看片短视频| 婷婷中文在线| 艾小青av| AA久久| 校花娇喘呻吟校长陈若雪视频| 婷婷激情五月天小说| 五月婷婷开心亚洲无| 精品久久66| 色婷婷丁香五月| 欧美日韩成人综合9| 久热中文字幕|