• / 11
  • 下載費用:30 金幣  

大數據量預測的三層聯合動態選擇最優模型方法.pdf

摘要
申請專利號:

CN201610638099.7

申請日:

2016.08.04

公開號:

CN106257506A

公開日:

2016.12.28

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06Q 10/04申請日:20160804|||公開
IPC分類號: G06Q10/04(2012.01)I 主分類號: G06Q10/04
申請人: 南京華蘇科技有限公司
發明人: 吳冬華; 胡曼恬; 胡岳; 閆興秀
地址: 210000 江蘇省南京市高淳區淳溪鎮龍井路6號
優先權: 2016.03.23 CN 2016101684731
專利代理機構: 江蘇縱聯律師事務所 32253 代理人: 戴勇
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201610638099.7

授權公告號:

||||||

法律狀態公告日:

2018.02.13|||2017.01.25|||2016.12.28

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明提供一種大數據量預測的三層聯合動態選擇最優模型方法,包括預測模型算法庫、權重算法庫、最優權重算法甄選算法三層,預測模型算法庫放置在的最底層,在預測算法模型庫之上是權重算法庫,在權重算法庫之上是最優權重算法甄選算法;該種大數據量預測的三層聯合動態選擇最優模型方法,三層結構具有高擴展性、預測穩定性、模型的動態調整特性、預測數據對模型的無差異性這四種特性。本申請運用了聯合算法,該算法規避了常用算法的一些缺點,利用賦予多種模型權重的方法,將多種算法有機地組合在一起,將最適應的算法賦予高權重,而將相對不好的算法賦予的低的權重,這樣既保證了數據預測的準確性,也保證了數據長度增加后,預測的穩定性。

權利要求書

1.一種大數據量預測的三層聯合動態選擇最優模型方法,其特征在于:包括預測模型
算法庫、權重算法庫、最優權重算法甄選算法三層,預測模型算法庫放置在的最底層,在預
測算法模型庫之上是權重算法庫,在權重算法庫之上是最優權重算法甄選算法;
預測模型算法庫:包含若干種預測模型算法,這些算法被抽象成共同的接口,放置在聯
合算法的最底層,提供預測功能,支撐更上層的功能;
權重算法庫:對預測算法庫的最底層算法的多樣性進行屏蔽,根據底層算法的預測結
果,按若干種標準對底層算法進行甄選組合,形成若干種權重算法;
最優權重算法甄選算法:根據驗證集中權重算法的效果,選擇最優的權重算法,進行預
測。
2.如權利要求1所述的大數據量預測的三層聯合動態選擇最優模型方法,其特征在于,
預測模型算法庫具體的實現步驟如下。
輸入訓練數據;對訓練數據預處理后,得到待用數據;
使用兩種以上的不同算法對待用數據進行模型擬合,得到各待選模型。
3.如權利要求2所述的大數據量預測的三層聯合動態選擇最優模型方法,其特征在于,
對訓練數據預處理,具體包括:
數據篩選:去除過于稀疏的數據列;
時間格式的處理:將時間列映射為連續的整數;
數據補值:缺失數據插值、錯誤數據插值。
4.如權利要求1-3任一項所述的大數據量預測的三層聯合動態選擇最優模型方法,其
特征在于,權重算法采用如下算法:
算法一:給予所有預測模型相同的權重;
算法二:剔除百分之二十預測結果相對較差的模型,并給予剩下的模型相同的權重;
算法三:計算各模型誤差均方根,然后根據誤差均方根大小,設計一個反趨勢的函數,
并根據該函數給各模型賦予權重;
算法四:計算各模型最小絕對誤差,然后根據最小絕對誤差大小,設計一個反趨勢的函
數,并根據該函數給各模型賦予權重;
算法五:計算各模型最小二乘計算的誤差,然后根據最小二乘計算的誤差大小,設計一
個反趨勢的函數,并根據該函數給各模型賦予權重;
算法六:計算各模型赤池信息量準則,然后根據赤池信息量準則大小,設計一個反趨勢
的函數,并根據該函數給各模型賦予權重。
5.如權利要求1-3任一項所述的大數據量預測的三層聯合動態選擇最優模型方法,其
特征在于,預測模型算法庫具體的實現步驟如下:
調用預測模型庫,得到預測模型的預測數據集;
分別調用各個權重算法,并計算權重;
賦予各預測模型相應權重,進行數據預測,存儲預測的數據。
6.如權利要求1-3任一項所述的大數據量預測的三層聯合動態選擇最優模型方法,其
特征在于,最優權重算法依據各權重算法在測試集上的預測效果,來甄選最優權重算法;最
優權重算法甄選算法的具體步驟如下:
調用權重算法庫的算法,得到權重預測的數據的集合;
利用權重庫預測的數據集,與驗證集比對,得到誤差;
由最小誤差,得到最優權重算法;
將最優權重方法預測的數據存儲,得到預測結果。

說明書

大數據量預測的三層聯合動態選擇最優模型方法

技術領域

本發明涉及一種大數據量預測的三層聯合動態選擇最優模型方法。

背景技術

現在每天生成的數據高達250兆億個字節,超過過去兩年里生成的數據總量的
90%。大量的數據,以結構化的形式存儲于計算機。這些數據被結構化后,在方便儲存的同
時,也失去了邏輯上的關聯,比如,通訊上相鄰的兩個小區之間,彼此影響,相互因果,并以
某種模式延續到未來,而存儲在計算機里的,只是兩列數據,并無關聯和模式,實際情況下,
可能是無數列這樣的數據,這讓關聯和模式隱藏的更深,形式更復雜。在如此大量而復雜的
數據中,要發現關聯、捕捉模式,以預測未來,需要一個穩定而準確的模型,這對現有算法提
出了更高的要求。

為了獲得這樣一個理想模型,分析常規建模過程是有必要的。基于大量數據預測
時,首先是借助統計和可視化的方法,分析數據的特征,比如,是線性的還是非線性的,周期
多少,滯后期多少,呈何種分布等等,如果到這步還沒有清晰的特征,就需要對數據進行數
學轉換,轉換后的數據繼續上述步驟,直到得到清晰的數學特征,然后是基于數學特征建
模。這種建模流程固然很好,且絕大多數情況下能很好的實現目標。然而,有時候這么做會
有問題。

第一個問題是,模型可能會選擇錯誤,假設模擬產生某列數據,符合周期逐漸變小
的震蕩的數學特性(假定是周期漸小的正弦),并且讓它的周期特別大,大到在一定范圍內
看,局部分布是呈線性的,但從足夠的遠期看,才能看到它的廬山真面目。在一段時間內,它
的模式很可能被錯誤捕捉,實際運用中,如果數據不夠多,或者數據沒有累計到一定程度,
那么,在選用模型時,很可能會有問題。而且,一旦選用了某個模型,很可能沒有機會再去選
用別的,甚至也不能修正模型本身,因為在一開始模型就被評估的很好,然后就進入正式開
發,放入工程中,當數據增加或情況改變時,也不會再考慮重新選擇模型。隨著數據的積累
或者在預測長期的數據時,問題就會凸現,預測效果會變得很差。

第二個問題是,當要預測大量不同數據時,需要針對每列數據選擇一個模型,這
樣,需要花大量時間在模型甄選上,即使這樣做了,仍然不能避免上述的問題--模型選擇錯
誤,而希望每個模型的選擇流程都簡單而科學,模型預測結果穩定而相對準確。

第三個問題是,無法實現快速動態預測。當有一列新的數據需要建模和預測時,需
要重新開始建模流程,分析,建模,評估。顯然,這不能滿足快速動態的進行預測。而希望這
列數據像其他已經建模完的數據一樣,能智能地選用某個現成的模型,進行預測和相關處
理,并能保證結果的準確性。

發明內容

為了解決上述問題,本發明針對三個問題進行了具體的分析,發現三個問題的一
些共同之處,大數據量時,預測值與觀測值常常有較大誤差,誤差會隨著預測長度的增加而
增大。為了避免誤差過大,本發明提供一種大數據量預測的三層聯合動態選擇最優模型方
法,在預測時,可以動態地選擇最合適的模型,摒棄預測效果不好的模型,這樣做一方面,保
證了效果的穩定型,另一方面將誤差控制在合理的范圍內。

本發明的技術解決方案是:

一種大數據量預測的三層聯合動態選擇最優模型方法,包括預測模型算法庫、權
重算法庫、最優權重算法甄選算法三層,預測模型算法庫放置在的最底層,在預測算法模型
庫之上是權重算法庫,在權重算法庫之上是最優權重算法甄選算法;

預測模型算法庫:包含若干種預測模型算法,這些算法被抽象成共同的接口,放置
在聯合算法的最底層,提供預測功能,支撐更上層的功能;

權重算法庫:對預測算法庫的最底層算法的多樣性進行屏蔽,根據底層算法的預
測結果,按若干種標準對底層算法進行甄選組合,形成若干種權重算法;

最優權重算法甄選算法:根據驗證集中權重算法的效果,選擇最優的權重算法,進
行預測。

進一步地,預測模型算法庫具體的實現步驟如下。

輸入訓練數據;對訓練數據預處理后,得到待用數據;

使用兩種以上的不同算法對待用數據進行模型擬合,得到各待選模型。

進一步地,對訓練數據預處理,具體包括:

數據篩選:去除過于稀疏的數據列;

時間格式的處理:將時間列映射為連續的整數;

數據補值:缺失數據插值、錯誤數據插值。

進一步地,權重算法采用如下算法:

算法一:給予所有預測模型相同的權重;

算法二:剔除百分之二十預測結果相對較差的模型,并給予剩下的模型相同的權
重;

算法三:計算各模型誤差均方根,然后根據誤差均方根大小,設計一個反趨勢的函
數,并根據該函數給各模型賦予權重;

算法四:計算各模型最小絕對誤差,然后根據最小絕對誤差大小,設計一個反趨勢
的函數,并根據該函數給各模型賦予權重;

算法五:計算各模型最小二乘計算的誤差,然后根據最小二乘計算的誤差大小,設
計一個反趨勢的函數,并根據該函數給各模型賦予權重;

算法六:計算各模型赤池信息量準則,然后根據赤池信息量準則大小,設計一個反
趨勢的函數,并根據該函數給各模型賦予權重。

進一步地,預測模型算法庫具體的實現步驟如下:

調用預測模型庫,得到預測模型的預測數據集;

分別調用各個權重算法,并計算權重;

賦予各預測模型相應權重,進行數據預測,存儲預測的數據。

進一步地,最優權重算法依據各權重算法在測試集上的預測效果,來甄選最優權
重算法;最優權重算法甄選算法的具體步驟如下:

調用權重算法庫的算法,得到權重預測的數據的集合;

利用權重庫預測的數據集,與驗證集比對,得到誤差;

由最小誤差,得到最優權重算法;

將最優權重方法預測的數據存儲,得到預測結果。

本發明的有益效果是:本發明一種大數據量預測的三層聯合動態選擇最優模型方
法,三層結構具有高擴展性、預測穩定性、模型的動態調整特性、預測數據對模型的無差異
性這四種特性。本申請運用了聯合算法,該算法規避了常用算法的一些缺點,利用賦予多種
模型權重的方法,將多種算法有機地組合在一起,將最適應的算法賦予高權重,而將相對不
好的算法賦予的低的權重,這樣既保證了數據預測的準確性,也保證了數據長度增加后,預
測的穩定性。

附圖說明

圖1是本發明實施例大數據量預測的三層聯合動態選擇最優模型方法的說明示意
圖。

圖2是實施例中ARIMA算法KPI綜合誤差率的示意圖。

圖3是實施例中Holtwinters算法在KPI下誤差率的示意圖。

圖4是實施例中Arima算法KPI下誤差率的示意圖。

具體實施方式

下面結合附圖詳細說明本發明的優選實施例。

在小區KPI預測時,需要預測的數據準確而穩定,但是實際運用中往往不好,這是
因為,一般算法有一定的局限性和適用性,導致有的數據預測不好。在這種情況下,實施例
運用了聯合算法,該算法規避了常用算法的一些缺點,利用賦予多種模型權重的方法,將多
種算法有機地組合在一起,將最適應的算法賦予高權重,而將相對不好的算法賦予的低的
權重,這樣既保證了數據預測的準確性,也保證了數據長度增加后,預測的穩定性。隨后,將
聯合算法運用于實驗中,取得了預期的效果,在穩定性和準確性方面都取得了具佳的效果。

實施例

如圖1,大數據量預測的三層聯合動態選擇最優模型方法由預測模型算法庫、權重
算法庫、最優權重算法甄選算法三層組成。

預測模型算法庫包含了各種經典算法、經典算法改進型及部分專利算法,這些算
法被抽象成共同的接口,放置在聯合算法的最底層,提供預測功能,支撐更上層的功能。

在預測算法模型庫之上是權重算法,權重算法對預測算法庫進行了一層包裝,屏
蔽了最底層算法的多樣性,用戶不需要考慮底層各種算法的參數、周期、收斂性、誤差等,權
重算法根據底層算法的預測結果,按若干種標準(如,將所有底層算法結果做平均、摒棄部
分最差的結果、按RMSE結果分配權重、按OLS結果分配權重、按AIC結果分配權重、按LAD結果
分配權重)對底層算法進行甄選組合,形成若干種權重算法。

這若干種權重算法沒有物理意義上的差別,只有數學特性上的差異,這些差異既
來源于預測數據本身的特性,也與選取的權重公式有關,這些權重算法適應不同的數據,在
確定具體選用哪種權重算法之前,我們需要根據驗證集的結果來判斷。而這樣的判斷,我們
希望有一種算法自動完成,這就是聯合算法里的第三層--最優權重算法甄選算法,第三層
算法是對權重算法的包裝,根據驗證集中權重算法的效果,選擇最優的權重算法,進行預
測。

大數據量預測的三層聯合動態選擇最優模型方法的三層結構具有高擴展性、預測
穩定性、模型的動態調整特性、預測數據對模型的無差異性這四種特性。然而,這種算法也
有她的不足之處--低效性。在權衡了計算機軟硬件性能的高速發展,以及分布式技術的快
速成熟后,相對于其它四大特性,她的不足顯得微不足道。

大數據量預測的三層聯合動態選擇最優模型方法的最底層的預測模型算法庫包
含了各種經典算法、經典算法改進型及部分專利算法。這些算法包括ar,mr,arma,
holtwinters,var,svar,svec,garch,svm,fourier。這些算法有各自的適用場景,比如平穩
數列可用arma,arima,var,svar,svec,對于非平穩序列要做平穩化處理后方能使用平穩算
法,除了平穩算法,其余算法的可以用于非平穩序列。對于高緯數據可以考慮用svm。多時間
序列數據可以用var算法,而garch模型對于遠期預測有一定的優勢。另外,每種算法都包含
了多種參數,比如arima的參數p,d,q在設置時就有多種組合。每種算法也會有若干變種算
法,比如,svar和svec是var的變化,garch算法是arch的算法在使用范圍上的擴展。不同算
法之間對數據輸入數據的格式也有差別,有些算法的訓練集的預測數據和測試集的預測數
據也不禁相同,比如HOLT-WINTERS的訓練集中,訓練集中第一個周期的邊界值是不能預測
的,而ARIMA是可以預測的。還有就是有些模型需要多重周期的,比如VAR,需要特別處理。

因為要對其上一層提供無差異接口,所以,所有上述差異因素需要被屏蔽。具體作
法是,如果模型有多種參數的,按每種參數設置一個獨立的模型,變種也設置獨立的模型,
如arima模型的參數p,d,q有32種組合,那么,我們就設置32種模型,如arima(1,1,0)和
arima(2,1,0)就屬于兩種模型,另外,變種我們也單獨設置了模型,如var和svec是同類模
型的不同變種,我們也將其獨立設置為不同模型。邊界不能預測的模型,在計算誤差時,邊
界值不考慮進去,如HOLT-WINTERS模型訓練集的第一個周期的預測值是沒有的,在計算誤
差時,這部分誤差我們不計入整體誤差,經評估,在實際預測時不計入部分的影響很小。多
重周期的模型單獨處理,預測后再拼成按時間順序排列的數組,如VAR模型,VAR根據多重時
間預測后的值是一個矩陣,我們將矩陣按行依次取值后存為一個數組,這樣,數組中的值正
好是按時間排序的值,使其和其他形式的預測結果格式統一,方便比較。

在預測算法庫之上是權重算法庫,權重算法庫的原則是擇優錄用,即便如此,擇優
的原則仍然不是唯一的,或者說,這里的“優”難以確定,驗證集的“優”可能無法延續到更遠
的未來,比如過擬合的模型,在驗證集表現得很好,在預測集卻不然。因此,權重算法庫選用
了六種權重方法,如概述中涉及。

這六種權重算法按各自的原則,對預測模型庫中結果進行甄選組合,形成六種算
法,這六種算法側重不一,這樣做的目的是盡量捕捉多的數據特性,希望這種特性能很好的
延續到預測集,即便不能,也能動態地調整參數,使“壞”的模型的影響降低,增加預測的準
確性。

這六種權重算法分別是:

1)給予所有預測模型相同的權重,w=1/n,n為模型數;

2)對所有模型誤差(e1,e2,...,en)進行排序,篩選誤差較小的80%的模型,并給予
余下模型相同的權重wnew,wnew=1/m,m為篩選后的模型個數;

3)計算各模型誤差均方根(RMSE),然后根據誤差均方根大小,設計一個反趨勢的
函數,并根據該函數給各模型賦予權重,

w=g(f(e1,e2,,en)),ei=error_value;

f~f(1/rmse(x1,x2,,xn;y1,y2,,yn)),xi=forecast_value,yi=observation_
value;;

<mrow> <mi>g</mi> <mo>=</mo> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>,</mo> <msub> <mi>x</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mfrac> <msub> <mi>x</mi> <mn>1</mn> </msub> <mrow> <munderover> <mo>&Sigma;</mo> <mn>1</mn> <mi>n</mi> </munderover> <msub> <mi>x</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>,</mo> <mfrac> <msub> <mi>x</mi> <mn>2</mn> </msub> <mrow> <munderover> <mo>&Sigma;</mo> <mn>1</mn> <mi>n</mi> </munderover> <msub> <mi>x</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>,</mo> <mo>,</mo> <mfrac> <msub> <mi>x</mi> <mi>n</mi> </msub> <mrow> <munderover> <mo>&Sigma;</mo> <mn>1</mn> <mi>n</mi> </munderover> <msub> <mi>x</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>

<mrow> <mi>r</mi> <mi>m</mi> <mi>s</mi> <mi>e</mi> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&Sigma;</mo> <mn>1</mn> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>,</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>f</mi> <mi>o</mi> <mi>r</mi> <mi>e</mi> <mi>c</mi> <mi>a</mi> <mi>s</mi> <mi>t</mi> <mo>_</mo> <mi>v</mi> <mi>a</mi> <mi>l</mi> <mi>u</mi> <mi>e</mi> <mo>,</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>o</mi> <mi>b</mi> <mi>s</mi> <mi>e</mi> <mi>r</mi> <mi>v</mi> <mi>a</mi> <mi>t</mi> <mi>i</mi> <mi>a</mi> <mi>n</mi> <mo>_</mo> <mi>v</mi> <mi>a</mi> <mi>l</mi> <mi>u</mi> <mi>e</mi> <mo>;</mo> </mrow>

上式子中ei表示第i個模型的誤差,xi表示第i個變量的預測值,yi表示第i個變量
的觀察值,g則按式中定義了一個反趨勢函數。

4)跟3)原理一樣,依據的原則是最小絕對誤差;

5)跟3)原理一樣,依據的原則是最小二乘計算的誤差;

6)跟3)原理一樣,先計算赤池信息量準則(AIC),據此設計反趨勢函數,然后計算
權重。

預測模型算法庫具體的實現步驟如下。

輸入:訓練數據;

輸出:權重模型庫預測的數據;

調用預測模型庫,得到預測模型的預測數據集data_fcst;

i為(1~權重算法數)中的一個整數,調用權重算法i,計算權重。

賦予各預測模型相應權重,進行數據預測,存儲預測的數據。

最上層是最優權重算法甄選算法,在六種權重算法的基礎上,最優權重算法甄選
算法選擇其中最好的權重算法,選擇的原則是六種權重算法在測試集上的預測效果。

最優權重算法甄選算法具體的實現步驟如下。

輸入:訓練數據

輸出:預測的數據

1)調用權重算法庫的算法,得到權重預測的數據的集合。

2)利用權重庫預測的數據集,與驗證集比對,得到誤差。

3)由最小誤差,得到最優權重算法。

4)將最優權重方法預測的數據存儲,得到預測結果。

當多個指標下(KPI)多個數據列(CELL)預測時步驟如下:

輸入:訓練數據

輸出:預測數據

對每個指標的每個數據列,調用最優權重算法甄選算法,得到預測的數據,將數據
存儲。

實驗驗證

為評估聯合算法的效果,選取了1500個小區的12個KPI數據進行了實驗,以得到聯
合算法和一般算法的準確性、穩定性的對比結果。

實驗步驟如下:

首先是數據收集,數據的處理,按三層結構建立算法模型,分別運用聯合算法和一
般算法進行數據預測,得到預測結果。

然后整理兩種算法的結果,比對聯合算法模型和一般模型的準確性,穩定性,并以
此綜合評估聯合算法模型的效果。

實驗分為兩部分,第一部分是將訓練數據放到常用模型中訓練,預測,以得到誤差
數據,接著將訓練數據放到聯合算法模型中訓練,預測,得到誤差數據。第二部分是將聯合
算法模型與一般模型訓練集的誤差,測試集的誤差對比,以評估聯合算法的效果。

實驗數據

首先是數據的收集和處理,數據產生的頻率是半小時,共收集了121天,1500個小
區6個上行KPI和1500個6個下行KPI的的各5808個數據,即從2014年7月29日到2014年11月
26日的數據。

為確保數據的完整性,需要對數據缺值和錯誤值進行處理。缺值和NaN值需要進行
相應的插值,如果NaN和缺值過多的情況下,則需要剔除該小區的數據。

實驗方法

首先將訓練數據放到一般模型中訓練,預測,將每個模型得到的預測數據和誤差
數據保存,接著將訓練數據放到聯合算法模型中訓練,預測,將得到預測數據和誤差數據保
存。最后是對比聯合算法和一般模型的預測效果,分別計算一般模型和聯合算法在訓練集
預測誤差、預測集上的預測誤差、訓練集的預測誤差與預測集的預測誤差之差。分別給這三
個值一個權重,取0.3,0.3,0.4。最后得到綜合誤差值。

實驗結果

在運用聯合算法和一般算法對比后,分別得到了1500個小區12個KPI訓練集和測
試集的誤差如圖2、圖3、圖4。圖2是實施例中ARIMA算法KPI綜合誤差率的示意圖。圖3是實施
例中Holtwinters算法在KPI下誤差率的示意圖。圖4是實施例中Arima算法KPI下誤差率的
示意圖。

由圖2、圖3、圖4得到的數據可知,聯合算法的誤差在訓練集和預測集上比一般算
法分別提高9%和13%左右。綜合誤差值提高在12%左右。

關 鍵 詞:
數據量 預測 三層 聯合 動態 選擇 最優 模型 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:大數據量預測的三層聯合動態選擇最優模型方法.pdf
鏈接地址:http://www.rgyfuv.icu/p-6100818.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
山东11选5中奖结果走势图