周期性移动模式地铁乘客流量预测

基于LSTM的城市轨道交通客流量预测(demo) 本数据集记录了2023年4~5月xiamenBRT45个站点的客流量(按小时划分,61d=61*24=1464h)。hours。基于过去7天的客流量数据预测未来1天的客流量数据。 阅读详情

 
✨✨ 欢迎大家来访Srlua的博文(づ ̄3 ̄)づ╭❤~✨✨

🌟🌟 欢迎各位亲爱的读者,感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢,在这里我会分享我的知识和经验。🎥

希望在这里,我们能一起探索IT世界的奥妙,提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏:传知代码论文复现

欢迎访问我的主页:Srlua小谢 获取更多信息和资源。✨✨🌙🌙

​​

​​

​​​

目录

概述

数据集

数据来源

模型训练与评估

ARIMA模型

季节性分解

模型训练过程

乘客流量预测结果及展示分析(部分)

说明


本文所有资源均可在该地址处获取。

概述

✅ 城市地铁站点乘客流量预测是地铁运营管理和规划的重要任务,可以帮助地铁公司优化车辆调度、提高服务质量和满足乘客需求。本文提出了一种基于周期性移动模式的城市公交站点乘客流量预测方法。
✅ 首先,我们通过历史乘客流量数据对地铁站点的周期性特征进行分析,发现乘客流量在一天的不同时间段存在明显的周期性变化。然后,我们采用周期性移动模式来描述乘客流量的变化规律。该模式将一天分为多个时间段,并将每个时间段的乘客流量视为一个移动模式。通过对历史数据进行模式提取和分析,我们可以获取每个时间段的移动模式及其对应的乘客流量。接下来,我们使用时间序列分析方法,如ARIMA模型,对每个移动模式的乘客流量进行建模和预测。ARIMA模型可以考虑数据的趋势、季节性和随机性,从而提高预测的准确性。我们根据历史数据训练ARIMA模型,并利用模型对未来时间段的乘客流量进行预测。最后,我们进行了实验验证,使用真实的城市地铁站点乘客流量数据进行测试。实验结果表明,基于周期性移动模式的预测方法可以有效地预测城市地铁站点的乘客流量。与传统的预测方法相比,我们的方法在准确性和稳定性方面具有明显的优势。
✅ 综上所述,本文提出了一种基于周期性移动模式的城市地铁站点乘客流量预测方法,该方法可以帮助地铁公司更好地了解乘客流量的变化规律,并提供准确的预测结果,以支持地铁运营管理和决策。

数据集

✳️ 已收集到20190101至20190125共25天杭州地铁乘客刷卡记录,共涉及杭州地铁3条线路81个地铁站约7000万条数据。同时,还提供了杭州市地铁路网数据,即各地铁站之间的连接关系表,存储在文件data15.csv文件。

每天进站人数:

每时间段出站人数:

数据来源

✔️ 天池全球AI计算挑战赛
天池的这个比赛需要预测未来的时间段内不同地铁站每十分钟的人流量。
✔️ 主要研究方向:
深度学习驱动的时空大数据;智慧城市
✔️ 主要内容及要求:
课题组已收集到20190101至20190125共25天杭州地铁乘客刷卡记录,共涉及杭州地铁3条线路81个地铁站约7000万条数据。同时,还提供了杭州市地铁路网数据,即各地铁站之间的连接关系表,存储在文件data15.csv文件中供学生使用。
基于课题组收集到的数据,分析地铁站的历史刷卡记录,考虑人流量的周期性因素搭建深度学习模型,预测站点未来的客流量变化(进站人次和出站人次),帮助实现更合理的出行路线选择,规避交通堵塞。具体而言,以20190125最后半天每10分钟为单位,预测各时段各站点的进站和出站人次。
主要技术指标或研究方法:
评价指标为平均绝对误差MAE
✅ 完成课题所具备的条件 :
需要具备良好的统计学习思维和知识储备,熟悉基本的深度学习模型(CNN、RNN、编解码器及其变种),熟悉利用Python+Keras或Python+Pytorch构建模型、训练模型并测试模型。

模型训练与评估

ARIMA模型

RIMA模型的建立过程通常包括以下步骤:
数据预处理:包括去除异常值、填补缺失值、平稳性检验等操作,以确保数据的准确性和平稳性。
确定差分阶数:通过观察数据的趋势和季节性特征,确定进行几阶差分操作,使数据变为平稳序列。
确定模型阶数:通过观察自相关图(ACF)和偏自相关图(PACF),确定AR模型的阶数和MA模型的阶数。
参数估计:使用最大似然估计或其他方法,估计ARIMA模型中的参数。
模型检验:对建立的ARIMA模型进行残差分析和模型诊断,检验模型的拟合优度和残差的独立性。
模型预测:利用建立的ARIMA模型进行未来时间点的乘客流量预测。

季节性分解

季节性分解是一种常用的时间序列分析方法,用于将时间序列数据分解为趋势、季节性和残差三个组成部分,以便更好地理解和分析数据的特征。
在时间序列数据中,趋势表示数据长期的变化趋势,即数据随时间持续增长或减少的趋势。季节性是指数据在特定时间段内循环出现的规律性变化,例如一年中的季节、每周的周期等。残差部分则表示除趋势和季节性之外的随机波动,即无法被趋势和季节性解释的部分。

模型训练过程

站点分布图:

确定季节变化的区间:

这个期间定好之后,我们用移动平均的方法分离趋势。为了方便解释,我都用excel做示例。计算的时候,以7的中心为开始计算移动平均。所以时序列最开始的3个三个数和最后的3个数是没有值的。个人理解,如果季节性以周次出现,那么以7为单位计算的时候,比如每周六日数值都很高,这个因素就每个cycle(周)里面都有,平均下来的数值,就可以看作是摒弃了季节性的趋势的影响。分离趋势:

乘客流量预测结果及展示分析(部分)

ARIMA模型预测:

误差波动: 从图中可以看到误差值在不同样本点的波动情况。误差值范围从 -0.5 到 4.5 左右,意味着在不同时间点,预测结果与实际乘客流量有一定的偏差。

尖峰和低谷: 图中有明显的高峰(峰值)和低谷(谷值),这些可能对应了某些特定时间段内乘客流量的剧烈变化,或是模型在这些时段对实际情况的偏差较大。

整体趋势: 虽然存在明显的波动,但大部分误差值集中在0左右,说明ARIMA模型的预测结果在总体上是相对准确的。

双曲线:
蓝色虚线: 表示ARIMA模型的预测值。它跟随实际流量的变化,呈现出周期性波动。
黑色实线: 代表实际的客流量数据,曲线也表现出周期性的波动,且波峰和波谷较为明显。
周期性: 乘客流量呈现出非常明显的周期性波动,可能与地铁的日常运营规律(如上下班高峰期和非高峰期)有关。这说明客流量在一天之内多次波动,尤其是在高峰期流量达到峰值,非高峰期流量降低。
预测与实际的吻合度:
从图上可以看到,预测的蓝色虚线与实际的黑色实线大部分时间是比较吻合的,这表明ARIMA模型对地铁客流量有较好的预测效果。

预测直方图:

直方图显示预测误差较小且分布在零附近,意味着ARIMA模型对地铁客流量的预测表现较好,准确度高。

说明

附件包含数据集以及完整代码。

 ​​​

希望对你有帮助!加油!

若您认为本文内容有益,请不吝赐予赞同并订阅,以便持续接收有价值的信息。衷心感谢您的关注和支持!

An AI compute of cities based on Distributed-Platform and Distributed-Databases(天池地铁流量预测) 摘要 在日益城市化的今天,城市居民出行问题逐渐成为衡量一个城市现代化能力的标准;城市出行方式多元化的同时,也对各交通系统的调度运营能力提出了更高的要求:如何提高运营效率,如何运用有限的安保力量进行有效的安检部署等问题一直在阻挠着城市交通的发展。 An AI compute of cities based on Distributed-Platform and Distributed-Databas... 阅读详情

相关推荐

城市轨道交通客流预测:从传统模型到深度学习演进

客流预测是智能交通系统的核心技术之一,通过分析历史数据和时空特征来预估未来乘客流量。其技术原理经历了从传统时间序列分析(如ARIMA)到机器学习(如SVR、随机森林),再到深度学习(如LSTM、图神经网络)的演进过程。现代预测系统通过融合多模态数据和实时计算框架,显著提升了预测精度和鲁棒性。在城市轨道交通场景中,准确的客流预测能优化运力配置、提升运营效率,并保障乘客出行安全。当前技术前沿正探索数字孪生、因果推理等新方向,而联邦学习等隐私计算技术也为跨区域数据协同提供了新可能。

weixin_29100399的博客 194

天池地铁流量预测--鱼佬知乎学习笔记

模型采用滑窗滚动(天)的方式进行构建,这样可以防止因为某一天存在奇异值而导致模型训练走偏。最后将所有滚动滑窗的标签以及特征进行拼接形成我们最终的训练集。 滑窗滚动需要选择分布与测试集类似的进行label的构建才能取得较好的结果,所以在此之前需要对分布差异大的数据进行删除。 将测试集为周末和测试集为周内进行区别对待,保证训练集分布的稳定。 节假日的信息和非节假日的分布差异非常大,所以我们也选择...

qq_41093717的博客 2585

时间序列预测模型选型实战:FFNN、LSTM、GRU与Transformer深度对比

时间序列预测是工业物联网、金融风控和新能源调度等场景的核心技术,其本质是基于历史数值建模动态演化规律。传统统计方法在高维、多周期、含噪数据下表现受限,而深度学习模型需依据数据长度、周期性、实时性与物理约束等维度科学选型。FFNN凭借稳定收敛与低延迟优势成为短窗口单步预测的可靠基线;LSTM三门结构擅长捕获长周期趋势,但易受噪声干扰;GRU以精简门控实现更高鲁棒性与推理效率;Transformer则通过并行注意力在长序列与多变量联合建模中展现优势。本文结合电力负荷、风电功率、交易流水等真实业务数据,解析各模型

weixin_30553777的博客 518

大数据毕业设计Python+Spark地铁客流数据分析与预测系统

本系统基于大数据设计并实现成都地铁客流量分析系统,使用网络爬虫爬取并收集成都地铁客流量数据,运用机器学习和时间序列分析等方法,对客流量数据进行预处理和特征选择,构建客流量预测模型,利用历史数据对模型进行训练和优化,实现客流量预测模型的部署和应用,通过系统界面展示预测结果。3.实验研究法:通过对地铁数据收集,从公共数据源获取地铁客流数据以及其他可能影响客流量的数据,然后进行数据清洗、整理数据,利用Python和Spark对数据进行深入分析,探索各因素与地铁客流量之间的关系。

QQ346127357的博客 1378

深圳地铁大数据客流分析系统:从OD数据到可视化大屏的完整实现

在大数据与智能交通深度融合的背景下,客流分析已成为城市轨道交通精细化运营的核心支撑。基于AFC闸机产生的OD(Origin-Destination)数据,通过数据仓库技术进行清洗与建模,结合Spark分布式计算框架完成海量数据的实时处理与特征提取,能够精准刻画站点拥挤度、断面客流及换乘规律。该技术体系不仅服务于地铁运力调度、节假日预案制定,还能为线网规划与商业选址提供量化依据。本文从OD数据口径统一出发,拆解了从原始刷卡记录到OD矩阵、从指标计算到时序预测的完整链路,并介绍了可视化大屏的实现思路,最终落地为

weixin_34405557的博客 391

交通客流LSTM预测实战:从数据陷阱到部署落地

时间序列预测是智能交通系统的核心技术之一,其本质是利用历史时序数据建模动态规律。LSTM作为经典循环神经网络,在捕捉客流周期性、突变性和长程依赖方面具有独特优势。但真实场景中,原始CSV数据常含缺失、跳变与标注缺失等陷阱,需经时间对齐、周期编码、滑动窗口切片等预处理才能满足LSTM三维输入要求。本文聚焦交通领域典型应用,详解站点级客流预测中的特征工程设计(如hour_sin/cos编码)、模型堆叠策略与huber_loss抗异常值机制,并覆盖多步滚动预测、反归一化及调度可用性校验等工业级闭环环节。

weixin_34074740的博客 359

计算机毕业设计Python智慧交通 交通客流量预测 大数据毕业设计(源码 +LW文档+PPT+讲解)

计算机毕业设计Python智慧交通 交通客流量预测 大数据毕业设计(源码 +LW文档+PPT+讲解)

全网计算机/大数据辅导(自媒体)道祖第一人、全网粉丝100W+,专注于大学生项目实战开发,讲解,毕业答疑辅导,高校老师/讲师/同行合作。以及产品测评宣传、工具推广等合作。同时招收学生代理、校园代理。 1156

杭州地铁人流量分析[源码]

本文详细介绍了利用Python进行杭州市地铁站人流量数据分析的过程。数据来源于阿里云天池新人赛,涉及2019年1月1日至25日共25天的地铁刷卡数据,涵盖3条线路81个地铁站约7000万条记录。文章从数据预处理(包括数据清洗、异常值处理和数据类型转换)、数据合并与重塑、数据聚合与分组计算,到数据可视化(包括直方图、散点图和箱型图等)进行了全面讲解。通过分析,作者发现B线路和15号站点人流量最大,容易发生拥堵问题。文章还分享了在数据分析过程中遇到的问题及解决方案,如文件路径错误和绘图模块引用问题等。最后,作者总结了通过本次实践掌握的基础数据分析技能和对数据分析领域的兴趣提升。

基于时空大数据的地铁客流预测与智能调度系统,围绕客流精准感知与智能决策两大核心需求展开

第1章 绪论1.1 课题的研究背景与意义城市轨道交通的客流量近年来持续攀升,早晚高峰的潮汐式拥堵已成为大型城市交通治理中的棘手难题。从行业现状来看,大多数地铁运营方仍然高度依赖调度员的经验判断来进行运力调配,比如凭感觉决定加开临客还是缩短间隔。这种做法缺乏对短时客流波动的精准预判能力,高峰期站台人流积压、平峰期运力空跑浪费的现象反复出现。翻阅近年来的行业数据报告不难发现,北京、上海等城市的轨交网络日均客运量早已突破千万人次量级,仅靠人力经验去匹配这种规模的需求波动变得越来越吃力。学术界和工业界其实都注意

weixin_49081159的博客 653

天池城市AI地铁客流量预测-Metro_testA-数据集

Windows 10/11系统下TurboDesign 6.4.0完整安装指南(附序列号+破解补丁)

本文提供Windows 10/11系统下TurboDesign 6.4.0的完整安装指南,涵盖系统环境预检、安装程序部署、序列号处理及破解补丁部署等关键步骤。通过详细的安装教程和优化配置,帮助用户高效完成这款涡轮机械设计软件的安装与调试,解决常见兼容性问题。

s4t5u6v的博客 1031

地铁客流时间序列预测:LSTM模型构建全流程解析

时间序列预测是数据科学中极具工程价值的领域,其核心在于从历史数据中捕捉周期性规律并外推未来趋势。以地铁小时级客流预测为例,数据同时蕴含24小时日周期、168小时周周期及节假日突变效应,对模型的周期感知与非线性拟合能力提出较高要求。传统统计方法如SARIMA局限于单一季节性,难以应对多维周期叠加;而LSTM凭借门控机制,能够自适应学习长期依赖与局部波动,在客流潮汐规律建模中表现优异。本文从数据清洗、特征工程(时间编码、滞后特征、节假日标记)到模型训练与评估,完整展示基于Python与Jupyter Noteb

weixin_34408624的博客 298

深度学习模型轻量化方法之【量化】

量化虽然有着硬件友好和功效提升的特点,但它也引入了模型性能的折衷。因此,设计有效的量化策略需要在模型大小、性能以及运算速度之间做出平衡。随着深度学习算法和硬件加速技术的快速发展,量化方法在使深度网络轻量化和提高部署效率方面持续发挥着重要作用。

m0_73916791的博客 2850

Python智慧交通客流量预测实战:从数据采集到可视化大屏全流程

线性回归作为机器学习的基础算法,通过建立特征与目标变量之间的线性关系实现预测功能。其核心原理是基于最小二乘法优化模型参数,在数据科学领域具有重要的技术价值,特别适用于交通客流量的时序预测分析。在智慧交通应用场景中,结合Pandas进行数据预处理和特征工程,能够有效提取时间周期性、天气影响等关键特征。通过Scikit-learn构建的线性回归模型,配合Pyecharts实现交互式可视化大屏,为城市交通管理提供数据驱动的决策支持。本文以客流量预测为切入点,详细演示了从数据采集、特征工程到模型部署的完整机器学习项

weixin_34161083的博客 359

CIFAR-100模型性能对比:Top1与Top5错误率深度解析

本文深度解析了CIFAR-100数据集上Top1与Top5错误率的核心意义与差异。通过对比MobileNet、ResNet、DenseNet等主流模型的性能数据,揭示了模型架构、训练策略及数据集特性如何共同影响这两个关键指标,并为不同应用场景下的模型选择提供了实战指南。

weixin_28224217的博客 339

利用HFSS仿真优化圆极化微带天线的耦合馈电设计

本文深入探讨了利用HFSS仿真软件优化圆极化微带天线性能的关键方法。通过对比传统直接馈电与耦合馈电方式,详细阐述了耦合馈电在提升阻抗匹配、改善轴比带宽及增强设计鲁棒性方面的显著优势。文章结合FR4板材的实战案例,逐步演示了在HFSS中建立模型、进行参数扫描与圆极化性能优化的完整流程,为设计高性能、高纯度的圆极化天线提供了实用指南。

weixin_29233333的博客 551

地铁站经理必看:如何用AI预测明日客流?LSTM模型实战指南

本文为地铁站经理提供了一份利用LSTM模型进行客流预测的实战指南。文章从业务视角出发,详细拆解了从数据准备、模型训练到结果解读与运营应用的全流程,帮助运营管理者将AI预测转化为精准的人员排班与资源调度决策,实现从经验管理到数据智能的跨越。

n7o8p的博客 207

OpenHarmony RK3568 从 32 位切换到 64 位用户空间指南

修改了编译参数(如修复 Q5 后),但 ThinLTO 缓存中保留了旧参数编译的 bitcode。这是一种节省内存的设计(32 位指针占 4 字节 vs 64 位占 8 字节),但在某些场景下需要切换为纯 64 位。切换到 64 位用户空间后,CPU 全程运行在 AArch64 状态,不再需要 AArch32 兼容模式。内核本身已经是 64 位(aarch64),切换用户空间位数不影响内核。(32 位兼容层)在纯 64 位系统中不再需要,可以关闭以减小内核体积。这两个参数对 64 位编译毫无意义,配合。

程小二的博客 691

客流量预测实战:从业务理解到模型部署的完整指南

时间序列预测是数据分析与机器学习领域的核心应用之一,其本质是基于历史数据中的模式与规律,结合已知或可预知的外部条件,对未来趋势进行量化估计。其技术原理在于通过统计模型或机器学习算法,捕捉数据中的趋势性、季节性和周期性等成分,并融入多维特征进行联合建模。在商业价值上,精准的预测能显著优化资源配置、提升运营效率并辅助科学决策。在零售、餐饮、文旅等线下消费场景中,客流预测是典型的应用,它直接关系到人力排班、库存管理与营销策略。本文将聚焦于这一具体场景,深入探讨如何结合业务逻辑与数据科学方法,构建实用的预测系统,其

weixin_30617695的博客 446

基于Simulink的占空比调制DTC降低转矩脉动

修改传统SVPWM模块,输入占空比d和有效矢量索引,计算Ton​=d∗Tc​、Toff​=(1−d)∗Tc​,生成对称PWM波形(替代开关表直接输出)。:低速时(n<500rpm)减小dmax​=0.6(避免磁链畸变),高速时(n>2000rpm)增大dmax​=0.8(提升动态响应);kT​/kψ​:转矩/磁链误差增益(需整定,如kT​=0.02/(N⋅m),kψ​=0.1/Wb);(θ为电压矢量与磁链夹角)。② SVM-DTC(占空比计算模块启用,d0​=0.5,kT​=0.02,kψ​=0.1)。

amy_mhd的博客 88

基于STM32、HAL库的MICRF112YMM-TR 无线收发器驱动程序设计

内部集成了 VCO、PLL、PA、LNA、混频器、滤波器等射频功能单元,极大减少了外部元件数量,降低了设计和布线难度。: 具有多种工作模式(睡眠、待机、接收、发射),待机电流极低,非常适合电池供电的物联网(IoT)设备。是 Microchip 公司生产的一款高性能、低功耗的单片 UHF ASK/FSK 收发器芯片。: 支持 ASK (幅移键控) 和 FSK (频移键控) 调制,适应不同应用需求。// 可以添加其他配置参数,如中心频率、数据速率等。智能家居(安防、遥控、传感)远程钥匙进入系统 (RKE)

corlin6688的博客 420

京东无人车+地铁配送:自动驾驶与公共交通融合的智慧物流新范式

自动驾驶技术通过传感器融合、环境感知和决策规划等核心算法,实现车辆在复杂环境下的自主导航与智能决策。其技术原理基于多源数据实时处理,结合高精度地图和V2X车路协同,为物流行业带来效率革命。在智慧物流领域,自动驾驶与城市公共交通网络的深度融合,特别是无人车与地铁系统的协同调度,重新定义了城市配送的时空效率。这种创新模式将地面道路运输与地下轨道交通有机结合,形成立体化物流链路,为电商平台降低运营成本,为用户提供更可靠的时效承诺。京东物流的实践案例展示了如何通过算法调度让无人车自主进入地铁系统,有效避开地面交通瓶

weixin_33782386的博客 337

【Burp入门第三十三篇】BurpSuite+Proxifier安装配置,实现微信小程序抓包

本文介绍Burp+Proxifier安装配置,实现微信小程序抓包

等风来 5879

GBDT集成回归模型在疫情预测中的应用与实践

集成学习通过组合多个基学习器提升预测性能,其中梯度提升决策树(GBDT)因其优秀的特征交互能力和缺失值鲁棒性,成为时间序列预测的常用方法。在机器学习工程实践中,GBDT结合XGBoost框架能有效处理多源异构数据,并通过动态调参适应数据分布变化。特别是在突发公共卫生事件预测场景中,这种技术方案支持实时预测和结果可解释性,满足疾控决策需求。本文以新冠人数预测为例,详解如何构建包含时空特征、防控措施等27维特征的预测系统,并分享特征工程与模型优化的实战经验。

weixin_28273593的博客 258

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

时间序列四大成分与平稳性实战解析

时间序列分析是预测建模的基础技术,其核心在于理解数据内在结构:趋势反映长期变化方向,季节性体现固定周期规律,周期性揭示非固定长度的波动,随机扰动则承载不可预测的噪声。这些成分共同构成序列的统计本质,而平稳性作为模型训练的前提条件,要求均值、方差和自相关结构不随时间变化。掌握ADF/KPSS检验、差分、对数变换与季节性调整等平稳化手段,不仅能提升ARIMA、Prophet、N-BEATS等模型的泛化能力,更能支撑电商销量预测、电力负荷分析、金融时序风控等真实场景的稳健落地。本文聚焦成分分解与平稳性处理两大硬核

weixin_28487433的博客 276

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

上一篇: 基于Python的飞机大战复现
下一篇: 利用图像识别给CAD图纸找不同
Srlua小谢
Srlua小谢 优质创作者: 编程框架技术领域 优质创作者: 编程框架技术领域
博客等级 码龄4年 8963粉丝 332原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值