数据分享|R语言武汉流动人口趋势预测：灰色模型GM（1，1）、ARIMA时间序列、logistic逻辑回归模型...

news2024/11/25 20:25:41

全文链接：http://tecdat.cn/?p=32496

人口流动与迁移，作为人类产生以来就存在的一种社会现象，伴随着人类文明的不断进步从未间断（点击文末“阅读原文”获取完整代码数据）。

相关视频

人力资源是社会文明进步、人民富裕幸福、国家繁荣昌盛的核心推动力量。当前，我国经济正处于从以政府主导的投资驱动型的经济“旧常态”向以市场需求为主导的经济“新常态”转型过渡期。

本文帮助客户综合运用R语言灰色预测模型和logistic逻辑回归模型，以及综合运用ARIMA模型和logistic模型，得到武汉市外省流入人口规模（查看文末了解数据免费获取方式）的预测。

文献回顾

国内关于流动人口的定量预测模型有很多,如马尔萨斯模型[1]、马尔可夫链模型[2]、指数平滑预测模型[3]、宋健模型、BP神经网络模型、单变量的双曲模型[4]、系统动力学模型、Leslie人口预测模型[5]、年龄移算法[6-8]以及CPPS 软件预测等。然而,在经济学和管理学范畴内﹐最为主要的有三种,分别是:

第一,灰色预测模型。1982年,我国学者邓聚龙教授创立了灰色系统理论﹐灰色系统理论的研究对象是“部分信息已知,部分信息未知”的“小样本”、“贫信息”不确定性系统。GM(1,1)模型是最常用的一种灰色模型,由一个只含单变量的一阶微分方程构成的模型。国内不少学者运用灰色预测模型对我国总人口规模的发展趋势进行预测[9-11]。还有一部分学者从区域发展的角度出发,构建了一系列城市人口或区域流动人口的灰色预测模型[12一14]。为了减少预测的误差,学者们进一步修正了GM(1,1)灰色预测模型，构建了“等维灰数递补动态预测”模型对人口进行定量预测[15] 。

第二,Logistic曲线模型。Logistic曲线呈S形，称为生长曲线。Logistic方程最早由比利时数学家P. F. Verhult于1838年提出。但长期埋没﹐直到20世纪20年代被生物学家与人口统计学家R.Pearl和L.J. Reed重新发现。经不断完善和发展，现广泛用于人口和商业分析中。我国学者多运用Logistic模型预测我国某地区的人口数量、流动人口规模等[16—20]

第三,时间序列模型。时间序列分析方法是伯克斯和詹金斯(Box-Jenkins)1976年提出的。

数据来源与处理

将武汉市外省流入人口的时间序列记为｛Ｙｔ｝。

e6229128572f967c840f793a60e2ce34.png

武汉市外来流入人口数据表

6b4077e95302e9138709f46808bf1e11.png

点击标题查阅往期内容

428e2113e3b37ec2645ec2dd1a1b6634.png

R语言用logistic逻辑回归和AFRIMA、ARIMA时间序列模型预测世界人口

outside_default.png

左右滑动查看更多

outside_default.png

01

ddf0e910821ed9bc6095b88545c8c180.png

02

a77ecd5bd1ea4adbbdd40c3f3c533101.png

03

6771280e33146745b36d911a4f03572d.png

04

be8fba8bb5bacfaaf0692bb8b1465bb8.png

ARIMA模型

为降低原始数据随机波动的影响，先要对原始数据进行平滑处理，本文采用常用的三点移动平均法。计算公式如下：

7a0d6b680ec166fe48140ed139ba1840.png

首端点数据进行移动平均时，Ｙｔ－１取Ｙｔ，末端点数据进行移动平均时，Ｙｔ＋１取Ｙｔ。

另外，由于取对数，不会改变数据的性质和关系，且得到的数据易消除异方差。

acf(dy)

5e9e4640a2814bc4c9b7fb0631357017.png

a23f4511f5cf43cdf2d7d50b79487894.png

然后用自相关图检查序列的平稳性，最后发现一阶差分后的序列是平稳的。 
下面对平稳性序列 建立 模型 ,偏相关系数在滞后1期后很快地趋向于0，所以取p=1 ,自相关系数图形具有拖尾性，所以初步判断为ar(1)模型。

参数估计

arima(dy,order=c(p,0,q) )
which.min(aiclist$AIC)

尝试不同的p和q的值，得出最优AIC的模型。

从AIC的结果来看，arima(2,1,1)模型拥有最小的AIC值，因此为最优模型，因此将arima(2,1,1)模型作为最优模型。

对残差序列进行白噪声检验，通常考虑残差序列的随机性，即用伯克斯.皮尔斯 提出的I统计量进行检验，用修正的I统计量：

Box.test(model$residuals,type="Ljung")

5a06e7e2027d353925ee29b3bdb414fd.png

在这里X-squared的值就是0.21927，概率值为0.6396,说明拒绝原假设。
犯第一类错误的概率为0.6396，这说明残差序列相互独立即为白噪声序列的概率很大，故不能拒绝残差序列是一个白噪声序列，检验通过。

单位根平稳性检验 检验

bee4f6d8c7a0ebab8ec0f114f391bb05.png

建立arima模型进行比较

8ebdb0bf75804e5ce6e8762357cb56bc.png

ARIMA模型预测

pred=predict(model, 15)$pred

绘制预测序列时间图

plot( pred,type="b" ,main="ARIMA模型预测")

182d365a87b69a9ce31abfb707b74a93.png

而arima模型预测的数据开始波动较大，到后面有逐渐平稳的趋势。

建立灰色模型GM（1，1）对应的函数

GM11<-function(x0,t,x){     #x0为输入训练数据序列列，t为预测个数,x为原始数据（训练数据+测试集）  
  x1<-cumsum(x0) #一次累加生成序列1-AG0序列  
  b<-numeric(length(x0)-1)  
  n<-length(x0)-1  
  for(i in 1:n){ #生成x1的紧邻均值生成序列  
    b[i]<--(x1[i]+x1[i+1])/2  
    b} #得序列b，即为x1的紧邻均值生成序列  
  D<-numeric(length(x0)-1)  
  D[]<-1  
  B<-cbind(b,D)  
  BT<-t(B)#做逆矩阵

计算相对误差

e2<-numeric(length(x0))  
  for(s in 1:length(x0)){  
    e2[s]<-(abs(e[s])/x0[s]) #得相对误差  
  }  
  cat("相对残差：",'\n',e2,'\n','\n')  
  cat("残差平方和=",sum(e^2),'\n')  
  cat("平均相对误差=",sum(e2)/(length(e2)-1)*100,"%",'\n')  
  cat("相对精度=",(1-(sum(e2)/(length(e2)-1)))*100,"%",'\n','\n')

后验差比值检验

avge<-mean(abs(e));esum<-sum((abs(e)-avge)^2);evar=esum/(length(e)-1);se=sqrt(evar)  #计算残差的方差

画出输入序列x0的预测序列及x0的比较图像

plot(xy,col='blue',type='b',pch=16,xlab='时间序列',ylab='值')  
  points(x,col='red',type='b',pch=4)

拟合模型

GM11(train,length(mynx),mynx)

e230256fc585fffd1242fe1a1cfe577b.png

ad981a4f538b3e78a2499a1338b97b11.png

预测15年的人口数

GM11(train,length(myn

cf93c90ef3ca34e54556bbf70aa3575d.png

6fe64c9cba27d7254ea9a0b75b3f3d6d.png

logistic逻辑回归模型

glm(as.numeric(yy[1:lengt

72c8925540d8dcb0ad7481531b84d18b.png

预测

predict(model,newd

557fdcfb15dd8a2536aec12531787423.png

参考文献

［１］林泽楷，许梦瑶，陈以丙．人口预测模型的优化［Ｊ］．科技致 富向导，２０１１（８）：８９－８９．

［２］昝欣，宗鹏，吴祈宗．马尔可夫链在高校教师人才流动预测 中的应用［Ｊ］．科技进步与对策，２００７，２４（１）：１８５－１８７．

［３］涂雄苓，徐海云．ＡＲｌＭＡ与指数平滑法在我国人口预测中的 比较研究［Ｊ］．统计与决策，２００９（１６）：２１－２３．

［４］杨辉．上海市流动人口发展趋势与预测［Ｊ］．人口学刊，１９９５ （２）：３１－３４．

［５］冯守平．中国人口发展预测模型的构建与应用［Ｊ］．统计与 决策，２０１０（１５）：２４－２７．

［６］胡启迪，杨庆中，桂世勋，等．上海市区人口迁移预测模型的 研究［Ｊ］．人口与经济，１９８６（１）：１７－２２．

［７］周德禄．经济技术开发区人口变动预测实证研究———以青 岛经济技术开发区为例［Ｊ］．东岳论丛，２００６，２７（５）：６０－６３．

［８］路锦非，王桂新．我国未来城镇人口规模及人口结构变动预 测［Ｊ］．西北人口，２０１０（４）：１－６．

［９］郝永红，王学萌．灰色动态模型及其在人口预测中的应用 ［Ｊ］．数学的实践与认识，２００２，３２（５）：８１３－８２０．

［１０］周诗国．我国人口的灰色预测模型研究及其应用［Ｊ］．数理 医药学杂志，２００５，１８（４）：３０７－３０９．

［１１］陈作清，李远平，吴霞，等．基于灰色预测的我国人口预测 模型分析［Ｊ］．中南民族大学学报：自然科学版，２００８，２７ （１）：１１１－１１４．

［１２］周瑞平．ＧＭ（１，１）模型灰色预测法预测城市人口规模［Ｊ］． 内蒙古师范大学学报：自然科学版，２００５，３４（１）：８１－８３．

［１３］郑元世，张启敏．银川市人口的灰色预测［Ｊ］．辽宁工学院 学报，２００８，２７（５）：３４６－３５０．

［１４］李群，董守义，孙立成，等．我国高层次人才发展预测与对 策［Ｊ］．系统工程理论与实践，２００８，２８（２）：１２５－１３０．

［１５］李晓梅．城市流动人口预测模型探讨［Ｊ］．南京人口管理干 部学院学报，２００６，２２（４）：２６－２９．

［１６］亓昕．北京未来流动人口预测方法探讨及发展趋势［Ｊ］．人 口与经济，１９９９（３）：５２－５６．

［１７］武萍，陶静．沈阳市流动人口预测与分析［Ｊ］．锦州师范学 院学报：自然科学版，２００１，２２（３）：６９－７１．

［１８］李振福．长春市城市人口的Ｌｏｇｉｓｔｉｃ模型预测［Ｊ］．吉林师 范大学学报：自然科学版，２００３（１）：１６－１９．

数据获取

在公众号后台回复“人口数据”，可免费获取完整数据。

9b2029c7f504545a6eda1400b3124dc5.jpeg

本文中分析的数据分享到会员群，扫描下面二维码即可加群！

2c360e824fcbe9d1841644f9ca4fa236.png

a52e63afc003d52132ac45ee3a974fe2.png

点击文末“阅读原文”

获取全文完整代码数据资料。

本文选自《R语言武汉流动人口趋势预测：灰色模型GM（1，1）、ARIMA时间序列、logistic逻辑回归模型》。

92935e7463c3bbecd822b5d49a6229b0.jpeg

8aa0797a1f277fe15395f2c057dfafa6.png

点击标题查阅往期内容

R语言时间序列：ARIMA / GARCH模型的交易策略在外汇市场预测应用

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言用Garch模型和回归模型对股票价格分析

R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

R语言ARMA GARCH COPULA模型拟合股票收益率时间序列和模拟可视化

ARMA-GARCH-COPULA模型和金融时间序列案例

时间序列分析：ARIMA GARCH模型分析股票价格数据

GJR-GARCH和GARCH波动率预测普尔指数时间序列和Mincer Zarnowitz回归、DM检验、JB检验

【视频】时间序列分析：ARIMA-ARCH / GARCH模型分析股票价格

时间序列GARCH模型分析股市波动率

PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化

极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析

Garch波动率预测的区制转移交易策略

金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据

R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化

Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测

R语言GARCH-DCC模型和DCC（MVT）建模估计

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测

R语言时间序列GARCH模型分析股市波动率

R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测

使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模

R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析

R语言多元Copula GARCH 模型时间序列预测

R语言使用多元AR-GARCH模型衡量市场风险

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言用Garch模型和回归模型对股票价格分析

GARCH（1,1），MA以及历史模拟法的VaR比较

matlab估计arma garch 条件均值和方差模型

R语言POT超阈值模型和极值理论EVT分析

3ef74a5c9959a36342c25501d153e27e.png

f541d4ccacac3f1f0cfca1a635b91f41.jpeg

14edf38aaeda00667d08d359119760bf.png

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1003941.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

视频直播点播平台EasyDSS如何单独保存录像计划文件？具体如何操作呢？

视频直播点播平台EasyDSS如何单独保存录像计划文件？具体如何操作呢？

视频推拉流EasyDSS视频直播点播平台&#xff0c;集视频直播、点播、转码、管理、录像、检索、时移回看等功能于一体&#xff0c;可提供音视频采集、视频推拉流、播放H.265编码视频、存储、分发等视频能力服务。 有用户反馈&#xff1a;在视频直播点播平台EasyDSS中设置了片段形…
阅读更多...
this执行问题

this执行问题

1.代码 var a 10;let obj {a: 20,n: function () {console.log(this.a);},};let fn obj.n;fn(); //此时的this指向windowobj.n(); //this指向obj这个对象 2.打印的结果 3.代码分析 let fn obj.n;将函数体复制给fn fn()是普通函数this指向window obj.fn里面的函数,可以理…
阅读更多...
Autojs 小游戏实践-潮玩宇宙开扭蛋

Autojs 小游戏实践-潮玩宇宙开扭蛋

概述 最近在玩潮流宇宙&#xff0c;里面有扭蛋兔的一个玩法&#xff0c;开始有很多蛋&#xff0c;需要我们一个个点开&#xff0c;然后根据装备品质替换分解&#xff0c;潮流提供了自动开扭蛋功能&#xff0c;但是开到品质比自己装备好的时候回暂停&#xff0c;由于个人懒得看…
阅读更多...
【小黑送书—第一期】＞＞《Kali Linux高级渗透测试》

【小黑送书—第一期】＞＞《Kali Linux高级渗透测试》

对于企业网络安全建设工作的质量保障&#xff0c;业界普遍遵循PDCA&#xff08;计划&#xff08;Plan&#xff09;、实施&#xff08;Do&#xff09;、检查&#xff08;Check&#xff09;、处理&#xff08;Act&#xff09;&#xff09;的方法论。近年来&#xff0c;网络安全攻…
阅读更多...
基于elasticsearch-8.8.2 kibana-8.8.2 搭建一个文搜图系统demo

基于elasticsearch-8.8.2 kibana-8.8.2 搭建一个文搜图系统demo

数据来源是由 图片url,图片descript,图片keywords 外加一个id 基于此首先创建 索引, keywords是一组由单词或词组 组成的一组数据,所以以数组形式压入数据: descript 是由两条语句组合成的数据(针对图片的两种不同描述) # 这里创建的keywords 数组元素类型为text,即可以模糊匹…
阅读更多...
Python爬虫-IP隐藏技术与代理爬取

Python爬虫-IP隐藏技术与代理爬取

前言 在进行爬虫程序开发和运行时&#xff0c;常常会遇到目标网站的反爬虫机制&#xff0c;最常见的就是IP封禁&#xff0c;这时需要使用IP隐藏技术和代理爬取。 一、IP隐藏技术 IP隐藏技术&#xff0c;即伪装IP地址&#xff0c;使得爬虫请求的IP地址不被目标网站识别为爬虫。…
阅读更多...
网络层IP协议

网络层IP协议

目录 前言 1.如何理解IP协议 2.IP协议格式 3.网段划分 4.特殊的IP地址 5.IP地址的数量限制 6.私有IP地址和公网IP地址 7.路由 总结 前言 在前面的文章中介绍了关于传输层常用的两个协议&#xff0c;UDP协议和TCP协议&#xff0c;当数据经过传输层之后&#xff0c;进入网…
阅读更多...
关于ESP32S3无法识别到端口问题

关于ESP32S3无法识别到端口问题

前言 &#xff08;1&#xff09;因为实习问题&#xff0c;需要使用ESP32BOX进行二次开发。一般来说&#xff0c;接触一款MCU&#xff0c;3天上手是基本操作。但是对于乐鑫的芯片&#xff0c;环境搭建是真的折磨人&#xff08;苦笑&#xff09;&#xff0c;而且官方文档几乎没有…
阅读更多...
软件测试———linux

软件测试———linux

文章目录 基础1. 发展史2 特征3 内核版本号的特征4.发布版5,安装 第二章Linux的常见命令Linux命令vi的使用文件的操作文件的压缩和解压缩文件阅读命令权限的操作用户设置配置系统查看名命令 基础 1. 发展史 unix—>BSD(TCP的使用)---->GNU---->Minix—>linux 2 …
阅读更多...
使用Process Explorer查看线程的函数调用堆栈去排查程序高CPU占用问题

使用Process Explorer查看线程的函数调用堆栈去排查程序高CPU占用问题

目录 1、问题描述 2、使用Process Explorer排查软件高CPU占用的一般思路 3、使用Process Explorer工具进行分析 3.1、找到CPU占用高的线程 3.2、查看CPU占用高的线程的函数调用堆栈&#xff0c;找到出问题的代码 3.3、libwebsockets库导出接口lws_service的说明 3.4、解…
阅读更多...
200个常用的Python编程相关英语词汇以及它们的中文释义

200个常用的Python编程相关英语词汇以及它们的中文释义

大家好&#xff0c;我是涛哥。 好多小伙伴反馈说在学习python的过程中&#xff0c;遇到的英文比较多&#xff0c;为自己的学习和开发产生了很大的阻力&#xff0c;所以为大家梳理了一份 Python编程相关常用的英语词汇以及它们的中文释义&#xff0c;当你刚开始学习Python编程的…
阅读更多...
SpringBoot整合Easy-ES操作演示文档

SpringBoot整合Easy-ES操作演示文档

文章目录 SpringBoot整合Easy-ES操作演示文档1 概述及特性1.1 官网1.2 主要特性 2 整合配置2.1 导入POM2.2 Yaml配置2.3 EsMapperScan 注解扫描2.4 配置Entity2.5 配置Mapper 3 基础操作3.1 批量保存3.2 数据更新3.3 数据删除3.4 组合查询3.5 高亮查询3.6 统计查询 4 整合异常4…
阅读更多...
Java“牵手”天猫商品列表页数据采集+商品价格数据排序，商品销量排序数据，天猫商品API采集方法

Java“牵手”天猫商品列表页数据采集+商品价格数据排序，商品销量排序数据，天猫商品API采集方法

天猫商品列表API是天猫平台提供给开发者的应用程序编程接口&#xff0c;通过API可以获取天猫平台上商品列表数据。 天猫商品列表API的使用需要获取Access Token&#xff0c;它代表了访问天猫API的身份认证。 天猫商品列表API的使用步骤如下&#xff1a; 开发者在天猫开发者中…
阅读更多...
Dokcer创建MySQL容器，并在宿主机或mysql可视化工具中连接mysql容器的数据库

Dokcer创建MySQL容器，并在宿主机或mysql可视化工具中连接mysql容器的数据库

文章目录 一、Docker 创建 MySQL容器1. 拉取 MySQL 镜像2. 创建并运行 MySQL 容器3. 创建并运行 MySQL 容器&#xff08;目录映射&#xff09; 二、连接 MySQL 数据库1. 在 MySQL 容器内&#xff0c;连接MySQL2. 在宿主机连接 MySQL&#xff08;遇到问题及解决方案&#xff09;…
阅读更多...
2023年9月实时获取地图边界数据方法，省市区县街道多级联动【附实时geoJson数据下载】

2023年9月实时获取地图边界数据方法，省市区县街道多级联动【附实时geoJson数据下载】

首先&#xff0c;来看下效果图 在线体验地址&#xff1a;https://geojson.hxkj.vip&#xff0c;并提供实时geoJson数据文件下载 可下载的数据包含省级geojson行政边界数据、市级geojson行政边界数据、区/县级geojson行政边界数据、省市区县街道行政编码四级联动数据&#xff0…
阅读更多...
性能测试 —— Jmeter事务控制器

性能测试 —— Jmeter事务控制器

事务&#xff1a; 性能测试中&#xff0c;事务指的是从端到端&#xff0c;一个完整的操作过程&#xff0c;比如一次登录、一次 筛选条件查询&#xff0c;一次支付等&#xff1b;技术上讲&#xff1a;事务就是由1个或多个请求组成的 事务控制器 事务控制器类似简单控制器&…
阅读更多...
力扣：94. 二叉树的中序遍历（Python3）

力扣：94. 二叉树的中序遍历（Python3）

题目&#xff1a; 给定一个二叉树的根节点 root &#xff0c;返回 它的 中序 遍历 。 来源&#xff1a;力扣&#xff08;LeetCode&#xff09; 链接&#xff1a;力扣&#xff08;LeetCode&#xff09;官网 - 全球极客挚爱的技术成长平台 示例&#xff1a; 示例 1&#xff1a; 输…
阅读更多...
问道管理：突然飙涨！10分钟暴拉10倍

问道管理：突然飙涨！10分钟暴拉10倍

杠杆资金动手了&#xff0c;还是大手笔&#xff01; Wind数据显现&#xff0c;9月11日融资客净买入255.41亿元&#xff0c;创2020年7月14日以来新高。这一方面因为&#xff0c;9月11日起&#xff0c;融资保证金份额首次下调正式落地&#xff0c;投资者融资买入证券时的融资保证…
阅读更多...
通达信指标编写，16进制颜色对照表，妈妈再也不用担心颜色不够用了！！

通达信指标编写，16进制颜色对照表，妈妈再也不用担心颜色不够用了！！

★★★★★博文创作不易&#xff0c;我的博文不需要打赏&#xff0c;也不需要知识付费&#xff0c;可以白嫖学习小技巧&#xff0c;喜欢的老铁可以多多点赞收藏分享置顶&#xff0c;小红牛在此表示感谢。★★★★★ #龙虎榜小红牛系统&#xff0c;官方微信公众号&#xff1a;g…
阅读更多...
机器学习算法详解3：逻辑回归

机器学习算法详解3：逻辑回归

机器学习算法详解3&#xff1a;逻辑回归 前言 ​ 本系列主要对机器学习上算法的原理进行解读&#xff0c;给大家分享一下我的观点和总结。 本篇前言 ​ 本篇对逻辑回归的算法原理进行解读。 目录结构 文章目录 机器学习算法详解3&#xff1a;逻辑回归1. 引子2. sigmoid函数3. 原…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023