开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何为RNN输入多个时间序列数据(Wave)

为RNN输入多个时间序列数据（Wave），可以采用以下方法：

数据预处理：将多个时间序列数据（Wave）转换为适合RNN输入的格式。通常情况下，RNN的输入是一个三维张量，形状为[样本数，时间步长，特征维度]。对于多个时间序列数据，可以将它们作为特征维度的一部分，形成一个更高维度的特征表示。
序列对齐：如果多个时间序列数据的长度不一致，需要进行序列对齐操作。可以通过填充（padding）或截断（truncation）的方式，使得所有序列具有相同的长度。常见的填充方式是在较短的序列末尾添加零值或者特定的填充符号。
数据归一化：对于多个时间序列数据，可能存在不同的尺度和幅度。为了保证模型的稳定性和收敛性，可以对数据进行归一化处理，将其缩放到相同的范围内。常见的归一化方法包括最小-最大归一化和标准化。
数据拆分：将数据集划分为训练集、验证集和测试集。训练集用于模型的训练和参数优化，验证集用于模型的选择和调优，测试集用于评估模型的性能。根据实际情况，可以按照一定的比例进行划分。
RNN模型设计：选择适合的RNN模型结构，如简单循环神经网络（Simple RNN）、长短期记忆网络（LSTM）或门控循环单元（GRU）。根据问题的特点和需求，调整模型的层数、隐藏单元数等超参数。
模型训练和优化：使用训练集对RNN模型进行训练，并通过反向传播算法更新模型的权重和偏置。可以采用梯度下降法或其他优化算法来最小化损失函数。同时，可以使用正则化、dropout等技术来防止过拟合。
模型评估和调优：使用验证集评估模型的性能，并根据评估结果进行模型的调优。可以尝试不同的超参数组合、模型结构和优化算法，以获得更好的性能。
模型预测：使用训练好的RNN模型对新的输入数据进行预测。根据具体的应用场景，可以预测未来的时间序列趋势、分类或回归任务等。

腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）
腾讯云人工智能开发平台（https://cloud.tencent.com/product/ai）
腾讯云数据处理平台（https://cloud.tencent.com/product/dp）
腾讯云数据库（https://cloud.tencent.com/product/cdb）
腾讯云服务器（https://cloud.tencent.com/product/cvm）
腾讯云云原生应用引擎（https://cloud.tencent.com/product/tke）
腾讯云网络安全（https://cloud.tencent.com/product/ddos）
腾讯云音视频处理（https://cloud.tencent.com/product/mps）
腾讯云物联网平台（https://cloud.tencent.com/product/iotexplorer）
腾讯云移动开发平台（https://cloud.tencent.com/product/mobdev）
腾讯云对象存储（https://cloud.tencent.com/product/cos）
腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
腾讯云元宇宙（https://cloud.tencent.com/product/vr）

相关搜索:Keras :我应该如何为RNN准备输入数据？使用groupby对时间序列数据进行多个数学操作使用plyr合并数据帧以绘制多个时间序列使用PyTorch将多个输入送入LSTM进行时间序列预测具有多个n个数字的时间序列数据预测具有多个时间序列的python数据帧中的返回计算在.r中按月聚合(汇总)多个时间序列数据在pandas中透视具有多个值的时间序列数据多个输入和一个输出的Python时间序列如何为keras提供多个数据特性的输入？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

教程 | 如何为时间序列数据优化K-均值聚类速度？

选自New Relic 作者：Jason Snell 机器之心编译参与：Panda、刘晓坤时间序列数据（Time Series Data）是按时间排序的数据，利率、汇率和股价等都是时间序列数据。...时间序列数据的时间间隔可以是分和秒（如高频金融数据），也可以是日、周、月、季度、年以及甚至更大的时间单位。...不幸的是，这种方法并不能很好地用于时间序列数据，因为它们通常是随时间变化的一维数据。但是，我们仍然可以使用一些不同的函数来计算两个时间序列数据之间的距离因子（distance factor）。...我们从我们的初始数据集中选择了 num_clust 随机时间序列数据作为质心（代表每个聚类的中心）。...接下来，我们修改 calc_centroids 步骤以便仅在质心上迭代（而不是在每个时间序列数据上）。这样，我们将所有时间序列数据和一个质心传递给 euclid_dist。

1.1K10 0

RNN循环神经网络、LSTM长短期记忆网络实现时间序列长期利率预测|附代码数据

简单的介绍时间序列涉及按时间顺序收集的数据。我用 xt∈R 表示单变量数据，其中 t∈T 是观察数据时的时间索引。时间 t 在 T=Z 的情况下可以是离散的，或者在 T=R 的情况下是连续的。...为简化分析，我们将仅考虑离散时间序列。长短期记忆 (LSTM) 网络是一种特殊的循环神经网络 (RNN)，能够学习长期依赖关系。...为了实现这一点，我们通过滞后序列来变换序列，并将时间 (t−k)的值作为输入，将时间 t 的值作为输出，用于 k 步滞后数据集。...sps= laorm head(sps) 将数据集拆分为训练集和测试集与大多数分析中训练和测试数据集是随机抽样的不同，对于时间序列数据，观察的顺序确实很重要。...时间步长：给定观察的单独时间步长。在此示例中，时间步长 = 1 特征：对于单变量情况，如本例所示，特征 = 1 批量大小必须是训练样本和测试样本大小的共同因素。

7020 0

RNN循环神经网络、LSTM长短期记忆网络实现时间序列长期利率预测|附代码数据

p=251332017 年年中，R 推出了 Keras 包 _，_这是一个在 Tensorflow 之上运行的综合库，具有 CPU 和 GPU 功能本文将演示如何在 R 中使用 LSTM 实现时间序列预测...简单的介绍时间序列涉及按时间顺序收集的数据。我用 xt∈R 表示单变量数据，其中 t∈T 是观察数据时的时间索引。时间 t 在 T=Z 的情况下可以是离散的，或者在 T=R 的情况下是连续的。...为简化分析，我们将仅考虑离散时间序列。长短期记忆 (LSTM) 网络是一种特殊的循环神经网络 (RNN)，能够学习长期依赖关系。...在常规的 RNN 中，小权重通过几个时间步一遍又一遍地相乘，并且梯度逐渐减小到零——这种情况称为梯度消失问题。LSTM 网络通常由通过层连接的内存块（称为单元）组成。...一般来说，门将前一时间步 ht-1 和当前输入 xt 的隐藏状态作为输入，并将它们逐点乘以权重矩阵 W，并将偏差 b 添加到乘积中。三个主要门：遗忘门：这决定了哪些信息将从单元状态中删除。

4762 0

Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测|附代码数据

此示例说明如何使用长短期记忆 (LSTM) 网络预测时间序列LSTM神经网络架构和原理及其在Python中的预测应用LSTM 网络是一种循环神经网络 (RNN)，它通过循环时间步长和更新网络状态来处理输入数据...换句话说，在输入序列的每个时间步，LSTM 网络学习预测下一个时间步的值。有两种预测方法：开环预测和闭环预测。开环预测仅使用输入数据预测序列中的下一个时间步长。...mean(rmse)预测未来时间步长给定输入时间序列或序列，要预测多个未来时间步的值。对于每个预测，使用之前的预测作为函数的输入。在图中可视化其中一个测试序列。...使用闭环预测来预测多个后续时间步长，或者当您在进行下一个预测之前没有向网络提供真实值时。...本文选自《Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测》。

9240 0

Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测|附代码数据

此示例说明如何使用长短期记忆 (LSTM) 网络预测时间序列 LSTM神经网络架构和原理及其在Python中的预测应用 LSTM 网络是一种循环神经网络 (RNN)，它通过循环时间步长和更新网络状态来处理输入数据...换句话说，在输入序列的每个时间步，LSTM 网络学习预测下一个时间步的值。有两种预测方法：开环预测和闭环预测。开环预测仅使用输入数据预测序列中的下一个时间步长。...点击标题查阅往期内容 Python用RNN神经网络：LSTM、GRU、回归和ARIMA对COVID19新冠疫情人数时间序列预测 01 02 03 04 加载数据查看前几个序列的大小。...准备训练数据要预测序列的未来时间步长的值，请将目标指定为训练序列，其值移动一个时间步长。换句话说，在输入序列的每个时间步，LSTM 网络学习预测下一个时间步的值。...mean(rmse) 预测未来时间步长给定输入时间序列或序列，要预测多个未来时间步的值。对于每个预测，使用之前的预测作为函数的输入。在图中可视化其中一个测试序列。

4600 0

Transformer

Encoder 和 Decoder 部分可以是任意文字，语音，图像，视频数据，模型可以是 CNN，RNN，LSTM，GRU，Attention 等等。...在训练数据集中，我们可以在每个句子后附特殊字符 ”“ (end of sequence) 以表示序列终止，每个句子前用到了特殊字符 “” (begin of seqence) 表示序列开始。...Encoder 在最终时间步的隐状态作为输入句子表征和编码信息。Decoder 在各个时间步中使用输入句子的编码信息和上一个时间步的输出以及隐藏状态作为输入。案例：英文 it is a cat....Encoder-Decoder 的缺陷与其说是 Encoder-Decoder 的局限，不如说是 RNN 的局限，在机器翻译中，输入某一序列，通过 RNN 将其转化为一个固定向量，再将固定序列转化为输出序列...而将模型分为多个头，形成多个子空间，可以让模型去关注不同方向的信息，而模型真的会关注不同方面的特征吗？

5915 1

《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》第15章使用RNN和CNN处理序列

RNN不是唯一能处理序列数据的神经网络：对于小序列，常规紧密网络也可以；对于长序列，比如音频或文本，卷积神经网络也可以。...这种序列到序列的网络可以有效预测时间序列（如股票价格）：输入过去N天价格，则输出向未来移动一天的价格（即，从N - 1天前到明天）。...预测时间序列假设你在研究网站每小时的活跃用户数，或是所在城市的每日气温，或公司的财务状况，用多种指标做季度衡量。在这些任务中，数据都是一个序列，每步有一个或多个值。这被称为时间序列。...但是非饱和激活函数（如 ReLU）的帮助不大；事实上，它会导致RNN更加不稳定。为什么呢？假设梯度下降更新了权重，可以令第一个时间步的输出提高。...处理短期记忆问题由于数据在RNN中流动时会经历转换，每个时间步都损失了一定信息。一定时间后，第一个输入实际上会在 RNN 的状态中消失。就像一个搅局者。

1.4K1 1

如何配置神经网络中的层数和节点数

MLP适用于分类预测问题，其中输入被指定类或标签。它也适用于回归预测问题，即给定一组输入，预测一个实值量。数据通常以表格格式提供，如CSV文件或电子表格。...尝试使用CNN：文本数据时间序列数据序列输入数据何时使用递归神经网络？递归神经网络（RNN）被设计用于处理序列预测问题。序列预测问题有多种形式，最好用支持的输入和输出类型来描述。...不使用RNN：表格数据图像数据 RNN和LSTM已经在时间序列预测问题上进行了测试，但结果却很差。至少可以说，自回归方法，甚至线性方法通常表现得比它更好。...也许可以尝试RNN：时间序列数据混合网络模型 CNN或RNN模型很少单独使用。这些类型的网络在更大的模型（具有一个或多个MLP层）中用作层。从技术上讲，这些是混合类型的神经网络架构。...例如，思考一下，有这一样一个模型，它使用一堆层，输入端为CNN，中间为LSTM，输出端为MLP。这样的模型可以读取图像输入序列(如视频)，并生成预测。这称为CNN LSTM架构。

4.8K2 0

数据科学家必读：从零开始用Python构建循环神经网络

面对时间敏感数据时，我们可以利用另一个概念——循环神经网络（RNN）！典型的循环神经网络如下所示： ? 这刚开始看起来可能很吓人。但是如果我们展开来讲，事情就开始变得更简单： ?...这里，有关时间t（h_t）的每个预测都需要依赖先前所有的预测和从它们那学习到的信息。相当直截了当吧？循环神经网络可以在很大程度上帮助我们解决序列处理问题。文本是序列数据的另一个好例子。...03 使用Python编码循环神经网络第0步：数据准备在做任何其他事情之前，数据准备是任何数据科学项目中不可避免的第一步。我们的网络模型期望数据是什么样的？它将输入长度为50的单个序列。...那就是输入序列中的第51个值。...BPTT与backprop的核心差异在于，循环神经网络层中的所有时间步骤，都进行了反向传播步骤。因此，如果我们的序列长度为50，我们将反向传播当前时间步之前的所有时间步长。

5594 0

IJCAI 2021 | 面向睡眠阶段分类的多模态显著性波形检测网络

该论文提出了一种多模态显著性波形检测模型，将时间序列分类问题转化为显著性检测问题并应用于睡眠阶段分类。提出模型不依赖于时频特征提取，可以直接从原始信号中探测显著波形服务于高精度的睡眠时间序列分类。...在多个睡眠数据集的实验表明SalientSleepNet优于该领域的其他模型。 ---- ?...此外现有模型表明RNN模块可以被前馈系统（如CNN的变体）取代，并且不会牺牲准确率。 ? 1.3 多种模态对不同睡眠阶段的贡献不同的模态对区分睡眠阶段有不同的贡献。...一些混合深度学习模型，如DeepSleepNet、SeqSleepNet和TinySleepNet，利用CNN学习睡眠阶段的特征，RNN捕捉睡眠期之间的过渡规则。...此外，本模型也是处理多模态生理时间序列模型的通用框架，可以被直接应用于其余时间序列分类任务。

1.2K4 1

Python用RNN神经网络：LSTM、GRU、回归和ARIMA对COVID19新冠疫情人数时间序列预测|附代码数据

在本文中，该数据根据世界各国提供的新病例数据提供。...获取时间序列数据 df=pd.read_csv("C://global.csv") 探索数据此表中的数据以累积的形式呈现，为了找出每天的新病例，我们需要减去这些值 df.head(10) 这些数据是根据国家和地区报告新病例的数据...dal_cnre_ces.index = pd.to_datetime(dailyonfrmd_as.index) ---- 点击标题查阅往期内容结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分... X_trn[0], yran[0] 为股票价格预测设计 RNN 模型模型： LSTM GRU model.summary() model.fit(X_trn y_rin, epochs=50...本文选自《Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID19新冠疫情人数时间序列预测》。

2860 0

Python用RNN神经网络：LSTM、GRU、回归和ARIMA对COVID19新冠疫情人数时间序列预测|附代码数据

获取时间序列数据 df=pd.read_csv("C://global.csv") 探索数据此表中的数据以累积的形式呈现，为了找出每天的新病例，我们需要减去这些值 df.head(10) 这些数据是根据国家和地区报告新病例的数据...dal_cnre_ces.index = pd.to_datetime(dailyonfrmd_as.index) ---- 结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析... X_trn[0], yran[0] 为股票价格预测设计 RNN 模型模型： LSTM GRU model.summary() model.fit(X_trn y_rin, epochs=50...ero = men_squred_eror(ts_ar, pricos) plt.figure(figsize=(12,7)) plt.plot(tanat) 本文选自《Python用RNN...循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID19新冠疫情人数时间序列预测》。

2992 0

Python用RNN神经网络：LSTM、GRU、回归和ARIMA对COVID19新冠疫情人数时间序列预测|附代码数据

本文选自《Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID19新冠疫情人数时间序列预测》。...：训练与结果评估可视化深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析R语言深度学习Keras循环神经网络(RNN...)模型预测多输出变量时间序列R语言KERAS用RNN、双向RNNS递归神经网络、LSTM分析预测温度时间序列、 IMDB电影评分情感Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化...Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告R语言深度学习：用keras神经网络回归模型预测时间序列数据...）模型进行回归数据分析Python使用神经网络进行简单文本分类R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析R语言基于递归神经网络RNN的温度时间序列预测R语言神经网络模型预测车辆数量时间序列

6020 0

RNN循环神经网络之通俗理解！

在这里one和many描述的是序列的长度，如many2one，就是指原序列长度不为1，目标序列长度为1，以此类推。 ?...对于many2many来说，并不一定要求输入的也是一个序列，其实时间i-1的输出，可以通过某些映射转变为时间i的输入，也就是说one2many的任务，可以one2many实现，也可以many2many实现...RNN是一个不用功的差生？随着时间的递推，理论上RNN网络在第i步的输出结果是被认为蕴含了从初始到当前i对应的所有已输入数据的信息的。但是，实际上标准的RNN并没有那么好的记性。...LSTM和GRU确实缓解了RNN的长期依赖的问题，但是现在我们注意到另外一个问题，并不是所有的序列数据都只是单向相关的，可能当前时间点数据不仅和之前时间点的相关，也和之后时间点的相关。...如涉版权，请联系删！

2.5K2 1

循环神经网络RNN完全解析：从基础理论到PyTorch实战

这使得RNN能够理解序列中的上下文信息。输出层：RNN可以有一个或多个输出，例如在序列生成任务中，每个时间步都会有一个输出。...RNN的优缺点优点：能够处理不同长度的序列数据。能够捕捉序列中的时间依赖关系。缺点：对长序列的记忆能力较弱，可能出现梯度消失或梯度爆炸问题。训练可能相对复杂和时间消耗大。...总结循环神经网络是一种强大的模型，特别适合于处理具有时间依赖性的序列数据。然而，标准RNN通常难以学习长序列中的依赖关系，因此有了更多复杂的变体如LSTM和GRU，来解决这些问题。...信息流动输入到隐藏：每个时间步，RNN从输入层接收一个新的输入，并将其与之前的隐藏状态结合起来，以生成新的隐藏状态。...时间序列分析 1.3.6 股票预测通过分析历史股票价格和交易量等数据的时间序列，RNN可以用于预测未来的股票走势。 1.3.7 气象预报 RNN通过分析气象数据的时间序列，可以预测未来的天气情况。

2.6K3 0

PaddlePaddle升级解读 |AutoDL Design自动化网络结构设计

百度作为国内第一个成立深度学习研究院（Institute of Deep Learning，IDL），并且也是国内第一个自研深度学习框架的企业，在WAVE SUMMIT深度学习开发者峰会上对自动化深度学习网络结构设计...它的输入始终是0，所以这个RNN的输出完全由其内部的状态所决定。由于需要生成的是一个神经网络的结构，是有向无环图，因此需要生成一系列的点（vertex）和边（edge）。...有向无环图中的边对应神经网络中的连接，有一些层会连接到多个层，有一些层也会接收多个层的输出作为自己的输入。...第二部分，评估器：评估器的输入是由前述生成器生成的层或者操作的序列，以及对应的邻接矩阵。评估器首先要根据输入，构建出一个神经网络。...生成器随后使用Policy Gradient的方式对其内部的RNN进行更新。

7424 0

一文详解RNN及股票预测实战(Python)！

循环神经网络（RNN）是基于序列数据（如语言、语音、时间序列）的递归性质而设计的，是一种反馈类型的神经网络，其结构包含环和自重复，因此被称为“循环”。...它专门用于处理序列数据，如逐字生成文本或预测时间序列数据(例如股票价格)。...2.1 数据层面不像传统的机器学习模型假设输入是独立的，RNN的输入数据元素有顺序及相互依赖的，并按时间步逐一的串行输入模型的。...2.2 模型层面及前向传播如上图，RNN模型(如左侧模型，实际上也只有这一个物理模型)，按各个时间步展开后（如右侧模型），可以看作是按时间步(t)串联并共享( )参数的多个全连接神经网络。...三、 RNN预测股票本项目通过创建单层隐藏层的RNN模型，输入前60个交易日（时间步）股票开盘价的时间序列数据，预测下一个（60+1）交易日的股票开盘价。

1.1K4 0

精选 25 个 RNN 问题

涉及序列的任务，如自然语言处理、语音识别和时间序列分析，非常适合 RNN。与其他神经网络不同，RNN 具有内部存储器，允许它们保留来自先前输入的信息，并根据整个序列的上下文做出预测或决策。...双向 RNN 通过在两个方向上处理输入序列来组合来自过去和未来时间步长的信息。它由两个隐藏状态组成，一个向前处理输入序列，另一个向后处理输入序列。...输入和输出门调节进出单元的数据流，在多个时间步长中保存和利用重要信息。这些门控机制有助于在反向传播过程中实现更好的梯度流动，从而缓解梯度消失问题，并使 LSTM 能够更有效地捕获长期依赖关系。...RNN 的用例：自然语言处理（NLP）：在自然语言处理任务（如语言翻译、情感分析、文本生成和语音识别）中使用 RNN。RNN 可以对文本数据的顺序性质进行建模，并有效地捕获上下文依赖关系。...在训练 RNN 时，随着时间向后流动的梯度在传播多个时间步长时，它们可能会呈指数级减少或消失。这个问题的出现是由于循环连接的性质和反向传播过程中梯度的重复乘法。因此，RNN 难以捕获长期依赖关系。

1601 0

Bengio等人新作：注意力可被视为RNN，新模型媲美Transformer，但超级省内存

实验结果表明，Aaren 在 38 个数据集上的表现与 Transformer 相当，这些数据集涵盖了四种常见的序列数据设置：强化学习、事件预测、时间序列分类和时间序列预测任务，同时在时间和内存方面更加高效...由于注意力可以被看作是一个 RNN，因此计算注意力的传统方法也可以被看作是计算注意力多对一 RNN 输出的高效方法，即 RNN 的输出以多个上下文 token 为输入，但在 RNN 结束时只输出一个 token...时间序列预测然后，作者比较了 Aaren 和 Transformer 在时间序列预测方面的表现。时间序列预测模型通常用在与气候（如天气）、能源（如供需）和经济（如股票价格）相关的领域。...不过，与 Transformer 不同的是，Aaren 能高效处理时间序列数据，因此更适合与时间序列相关的领域。...时间序列分类在许多重要的应用中很常见，例如模式识别（如心电图）、异常检测（如银行欺诈）或故障预测（如电网波动）。

1121 0

LSTM原理及生成藏头诗（Python）

1.2 RNN 介绍循环神经网络（RNN）是基于序列数据（如语言、语音、时间序列）的递归性质而设计的，是一种反馈类型的神经网络，它专门用于处理序列数据，如逐字生成文本或预测时间序列数据(例如股票价格、...、relu; RNN的输出为：o(t) = g( V * h(t) + b2)，g为激活函数，当用于分类任务，一般用softmax; 1.3 从RNN到LSTM 但是在实际中，RNN在长序列数据处理中...改善措施：可以使用梯度截断；引导信息流的正则化；ReLU 激活函数；门控RNN 如GRU、LSTM（和普通 RNN 相比多经过了很多次导数都小于 1激活函数，因此 LSTM 发生梯度爆炸的频率要低得多...但其实LSTM作为一种反馈神经网络，核心还是历史的隐藏状态信息的反馈，也就是下图的Ct：对标RNN的ht隐藏状态的更新，LSTM的Ct只是多个些“门控”删除或添加信息到状态信息。...在输入门 + 遗忘门控制下，当前时间点状态信息Ct为： 2.4 输出门最后，我们根据上一个时间点的输出ht-1和当前时间点的输入xt 通过sigmid 输出Ot，再根据Ot 与 tanh控制的当前时间点状态信息

9793 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭