Serie de herramientas: TimeGPT_(8) Uso de marcas de tiempo irregulares para la predicción de series de tiempo

Internet 2023-12-27 21:03:01 views: null

Directorio de artículos

introducir

Cuando se trabaja con datos de series temporales, la frecuencia de las marcas de tiempo es un factor clave que puede tener un impacto significativo en los resultados del pronóstico. Las frecuencias regulares como diaria, semanal o mensual son fáciles de manejar. Sin embargo, las frecuencias irregulares, como los días laborables (excluidos los fines de semana), pueden representar un desafío para los métodos de pronóstico de series temporales.

Nuestro método de pronóstico puede manejar datos de series temporales irregulares siempre que especifique la frecuencia de la serie. Por ejemplo, en el caso de los días laborables, la frecuencia debe pasarse como 'B'. Sin este parámetro, es posible que el método no detecte frecuencias automáticamente, especialmente cuando las marcas de tiempo son irregulares.


# Import the colab_badge module from the nixtlats.utils package
from nixtlats.utils import colab_badge


colab_badge('docs/tutorials/8_irregular_timestamps')

from fastcore.test import test_eq, test_fail, test_warns
from dotenv import load_dotenv

# 导入load_dotenv函数，用于加载.env文件中的环境变量
load_dotenv()

True


# 导入pandas库，用于数据处理
import pandas as pd

# 导入TimeGPT模块
from nixtlats import TimeGPT


/home/ubuntu/miniconda/envs/nixtlats/lib/python3.11/site-packages/statsforecast/core.py:25: TqdmWarning: IProgress not found. Please update jupyter and ipywidgets. See https://ipywidgets.readthedocs.io/en/stable/user_install.html
  from tqdm.autonotebook import tqdm

# 创建一个TimeGPT对象，并传入一个参数token，用于验证身份
# 如果没有提供token参数，则默认使用环境变量中的TIMEGPT_TOKEN

timegpt = TimeGPT(
    token = 'my_token_provided_by_nixtla'
)

# 导入TimeGPT模型

timegpt = TimeGPT()  # 创建TimeGPT对象的实例

Predicción de tiempo univariante para marcas de tiempo irregulares

El primer paso es obtener los datos de su serie temporal. Los datos deben incluir marcas de tiempo y valores asociados. Por ejemplo, podría estar trabajando con precios de acciones y sus datos podrían verse así. En este ejemplo usamos OpenBB .


# 从指定URL读取数据集
df_fed_test = pd.read_csv('https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/openbb/fed.csv')

# 使用pd.testing.assert_frame_equal函数对两个预测结果进行比较
# 第一个预测结果使用默认的频率（每日）
# 第二个预测结果使用频率为每周
# 比较的指标为预测结果的FF列，并设置置信水平为90%
pd.testing.assert_frame_equal(
    timegpt.forecast(df_fed_test, h=12, target_col='FF', level=[90]),
    timegpt.forecast(df_fed_test, h=12, target_col='FF', freq='W', level=[90])
)

INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
INFO:nixtlats.timegpt:Inferred freq: W-WED
WARNING:nixtlats.timegpt:The specified horizon "h" exceeds the model horizon. This may lead to less accurate forecasts. Please consider using a smaller horizon.
INFO:nixtlats.timegpt:Restricting input...
INFO:nixtlats.timegpt:Calling Forecast Endpoint...
INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
INFO:nixtlats.timegpt:Inferred freq: W-WED
WARNING:nixtlats.timegpt:The specified horizon "h" exceeds the model horizon. This may lead to less accurate forecasts. Please consider using a smaller horizon.
INFO:nixtlats.timegpt:Restricting input...
INFO:nixtlats.timegpt:Calling Forecast Endpoint...



# 从指定的URL读取CSV文件，并将其存储在名为pltr_df的DataFrame中
pltr_df = pd.read_csv('https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/openbb/pltr.csv')

# 将'date'列转换为日期时间格式，并将结果存储在'date'列中
pltr_df['date'] = pd.to_datetime(pltr_df['date'])

# 显示数据集的前几行
pltr_df.head()
fecha Abierto Alto Bajo Cerca Ajustar cerrar Volumen Dividendos División de acciones
0 2020-09-30 10.00 11.41 9.11 9.50 9.50 338584400 0.0 0.0
1 2020-10-01 9.69 10.10 9.23 9.46 9.46 124297600 0.0 0.0
2 2020-10-02 9.06 9.28 8.94 9.20 9.20 55018300 0.0 0.0
3 2020-10-05 9.43 9.49 8.92 9.03 9.03 36316900 0.0 0.0
4 2020-10-06 9.04 10.18 8.90 9.90 9.90 90864000 0.0 0.0

Veamos que este conjunto de datos tiene marcas de tiempo irregulares. La propiedad dayofweek de DatetimeIndex de pandas devuelve el día de la semana, lunes=0, domingo=6. Entonces, verificar el día de la semana > 4 en realidad es verificar si la fecha cae en sábado (5) o domingo (6), que generalmente es un día no laborable (fin de semana).

# 统计pltr_df中日期的星期几大于4的数量
(pltr_df['date'].dt.dayofweek > 4).sum()

0

Podemos ver que las marcas de tiempo son irregulares. Examinemos la serie "Cerrar".

# 使用timegpt模块中的plot函数，绘制pltr_df数据集中的日期(date)与收盘价(Close)之间的关系图
timegpt.plot(pltr_df, time_col='date', target_col='Close')

Para predecir estos datos, puede utilizar nuestro forecastmétodo. Es importante destacar que recuerde utilizar freqparámetros para especificar la frecuencia de sus datos. En este caso debería ser 'B', que significa día laborable. También necesitamos definir time_colel índice para elegir la serie (el valor predeterminado es ds), así como target_colpara predecir nuestra variable objetivo, en cuyo caso predeciremos Close.

# 预测函数test_fail()用于测试timegpt.forecast()函数的功能
# timegpt.forecast()函数用于根据给定的时间序列数据进行预测
# 该函数的参数包括：
# - df：时间序列数据的DataFrame
# - h：预测的时间步数
# - time_col：时间列的名称
# - target_col：目标列的名称

# 在这个测试中，我们使用pltr_df作为输入数据进行预测
# 预测的时间步数为14
# 时间列的名称为'date'
# 目标列的名称为'Close'

# 预测结果中应该包含'frequency'，但是由于某种原因，预测失败了
test_fail(
    lambda: timegpt.forecast(
        df=pltr_df, h=14,
        time_col='date', target_col='Close',
    ),
    contains='frequency'
)

INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...

# 导入所需的模块和函数


# 调用forecast函数，传入时间序列数据的DataFrame、预测步长、频率、时间列的列名和目标列的列名
fcst_pltr_df = timegpt.forecast(
    df=pltr_df, h=14, freq='B',
    time_col='date', target_col='Close',
)

INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
WARNING:nixtlats.timegpt:The specified horizon "h" exceeds the model horizon. This may lead to less accurate forecasts. Please consider using a smaller horizon.
INFO:nixtlats.timegpt:Calling Forecast Endpoint...

# 查看数据集的前几行
fcst_pltr_df.head()
fecha HoraGPT
0 2023-09-25 14.688427
1 2023-09-26 14.742798
2 2023-09-27 14.781240
3 2023-09-28 14.824156
4 2023-09-29 14.795214

Recuerde, para los días laborables, la frecuencia es 'B'. Para otras frecuencias, puede consultar la documentación de alias de compensación de pandas: https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#timeseries-offset-aliases.

Al especificar frecuencias, puede ayudar a que los métodos de predicción comprendan mejor los patrones en los datos, lo que resulta en predicciones más precisas y confiables.

Tracemos TimeGPTlas predicciones generadas por.



# 使用timegpt.plot函数绘制图表
# 参数pltr_df是包含股票价格数据的DataFrame
# 参数fcst_pltr_df是包含预测股票价格数据的DataFrame
# 参数time_col指定时间列的名称，这里是'date'
# 参数target_col指定目标列的名称，这里是'Close'
# 参数max_insample_length指定用于训练模型的最大样本数量，这里是90
timegpt.plot(
    pltr_df, 
    fcst_pltr_df, 
    time_col='date',
    target_col='Close',
    max_insample_length=90, 
)

También puede utilizar levelparámetros para agregar cuantificación de la incertidumbre a sus pronósticos.

# 导入所需的模块和函数

# 使用timegpt.forecast函数进行时间序列预测
# 参数df为输入的数据框，pltr_df为待预测的数据框
# 参数h为预测的时间步长，这里设置为42
# 参数freq为数据的频率，这里设置为工作日（B）
# 参数time_col为时间列的名称，这里设置为'date'
# 参数target_col为目标列的名称，这里设置为'Close'
# 参数add_history为是否将历史数据添加到预测结果中，这里设置为True
# 参数level为置信水平，这里设置为[40.66, 90]
fcst_pltr_levels_df = timegpt.forecast(
    df=pltr_df, h=42, freq='B',
    time_col='date', target_col='Close',
    add_history=True,
    level=[40.66, 90],
)

INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
WARNING:nixtlats.timegpt:The specified horizon "h" exceeds the model horizon. This may lead to less accurate forecasts. Please consider using a smaller horizon.
INFO:nixtlats.timegpt:Calling Forecast Endpoint...
INFO:nixtlats.timegpt:Calling Historical Forecast Endpoint...



# 绘制时间序列图
# 参数：
# pltr_df: 包含时间序列数据的DataFrame
# fcst_pltr_levels_df: 包含预测水平数据的DataFrame
# time_col: 时间列的列名
# target_col: 目标列的列名
# level: 预测水平的取值范围
timegpt.plot(
    pltr_df, 
    fcst_pltr_levels_df, 
    time_col='date',
    target_col='Close',
    level=[40.66, 90],
)

Si desea predecir otra variable, simplemente cambie el parámetro "target_col". Ahora vamos a predecir "Volumen":

# 导入所需模块和函数

# 使用timegpt.forecast函数进行时间序列预测
# 参数df为输入的时间序列数据，pltr_df为输入的数据框
# 参数h为预测的步长，这里设置为14
# 参数freq为时间序列的频率，这里设置为'B'，表示工作日
# 参数time_col为时间列的名称，这里设置为'date'
# 参数target_col为目标列的名称，这里设置为'Volume'
fcst_pltr_df = timegpt.forecast(
    df=pltr_df, h=14, freq='B',
    time_col='date', target_col='Volume',
)

# 使用timegpt.plot函数绘制时间序列和预测结果的图形
# 参数pltr_df为输入的时间序列数据，这里是原始数据
# 参数fcst_pltr_df为预测结果数据，这里是预测的结果
# 参数time_col为时间列的名称，这里设置为'date'
# 参数max_insample_length为显示的最大样本长度，这里设置为90
# 参数target_col为目标列的名称，这里设置为'Volume'
timegpt.plot(
    pltr_df, 
    fcst_pltr_df, 
    time_col='date',
    max_insample_length=90,
    target_col='Volume',
)

INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
WARNING:nixtlats.timegpt:The specified horizon "h" exceeds the model horizon. This may lead to less accurate forecasts. Please consider using a smaller horizon.
INFO:nixtlats.timegpt:Calling Forecast Endpoint...

Pero ¿qué pasa si queremos predecir todas las series temporales simultáneamente? Podemos hacer esto remodelando nuestro marco de datos. Actualmente, los marcos de datos están en formato ancho (cada serie es una columna), pero necesitamos convertirlos a formato largo (apilados uno tras otro). Podemos lograr esto usando:

# 将pltr_df进行重塑，使得每一行代表一个观测值
# id_vars参数指定date列为标识变量，即不需要重塑的列
# var_name参数指定新生成的列名为series_id
pltr_long_df = pd.melt(
    pltr_df, 
    id_vars=['date'],
    var_name='series_id'
)


# 显示数据集的前几行
pltr_long_df.head()
fecha id_serie valor
0 2020-09-30 Abierto 10.00
1 2020-10-01 Abierto 9.69
2 2020-10-02 Abierto 9.06
3 2020-10-05 Abierto 9.43
4 2020-10-06 Abierto 9.04

Luego simplemente llamamos forecastal método, especificando id_collos parámetros.

# 导入所需的模块和函数已在代码中，无需额外的import语句

# 调用timegpt模块中的forecast函数，对pltr_long_df数据进行预测
# 参数df表示要进行预测的数据框，pltr_long_df为待预测的数据框
# 参数h表示预测的时间步数，这里设置为14，即预测未来14个时间步的值
# 参数freq表示数据的频率，这里设置为'B'，表示工作日频率
# 参数id_col表示数据框中表示序列ID的列名，这里设置为'series_id'
# 参数time_col表示数据框中表示时间的列名，这里设置为'date'
# 参数target_col表示数据框中表示目标变量的列名，这里设置为'value'
fcst_pltr_long_df = timegpt.forecast(
    df=pltr_long_df, h=14, freq='B',
    id_col='series_id', time_col='date', target_col='value',
)

INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
WARNING:nixtlats.timegpt:The specified horizon "h" exceeds the model horizon. This may lead to less accurate forecasts. Please consider using a smaller horizon.
INFO:nixtlats.timegpt:Calling Forecast Endpoint...

# 显示 DataFrame 的前五行数据
fcst_pltr_long_df.head()
id_serie fecha HoraGPT
0 Ajustar cerrar 2023-09-25 14.688427
1 Ajustar cerrar 2023-09-26 14.742798
2 Ajustar cerrar 2023-09-27 14.781240
3 Ajustar cerrar 2023-09-28 14.824156
4 Ajustar cerrar 2023-09-29 14.795214

Entonces podemos predecir la serie de "precios de apertura":


# 使用timegpt.plot函数绘制图表
# 参数pltr_long_df是包含原始数据的DataFrame
# 参数fcst_pltr_long_df是包含预测数据的DataFrame
# 参数id_col指定数据中用于标识系列的列名
# 参数time_col指定数据中用于表示时间的列名
# 参数target_col指定数据中用于表示目标值的列名
# 参数unique_ids是一个列表，包含需要绘制图表的唯一系列的标识符
# 参数max_insample_length指定用于训练模型的最大样本长度
timegpt.plot(
    pltr_long_df, 
    fcst_pltr_long_df, 
    id_col='series_id',
    time_col='date',
    target_col='value',
    unique_ids=['Open'],
    max_insample_length=90,
)

Predicción de tiempo variable exógena para marcas de tiempo irregulares

En el pronóstico de series de tiempo, las variables que pronosticamos a menudo se ven afectadas no solo por sus valores pasados, sino también por otros factores o variables. Estas variables externas se denominan variables exógenas y pueden proporcionar un contexto adicional importante que puede mejorar significativamente la precisión de nuestros pronósticos. Uno de esos factores, y el foco de este tutorial, son los ingresos de la empresa. Los datos de ingresos pueden proporcionar indicadores clave de la salud financiera y el potencial de crecimiento de una empresa, los cuales pueden tener un impacto significativo en el precio de sus acciones. Podemos obtener estos datos de openbb.



# 从指定的 URL 中读取 CSV 文件，并将其存储在名为 revenue_pltr 的数据框中
revenue_pltr = pd.read_csv('https://raw.githubusercontent.com/Nixtla/transfer-learning-time-series/main/datasets/openbb/revenue-pltr.csv')

# 获取revenue_pltr中'totalRevenue'列的第一个值
value = revenue_pltr['totalRevenue'].iloc[0]

# 判断value是否为float类型且包含'M'
if not isinstance(value, float) and 'M' in value:
    
    # 定义一个函数convert_to_float，用于将字符串转换为浮点数
    def convert_to_float(val):
        # 如果val中包含'M'，则将'M'替换为空字符串，并将结果乘以1e6（表示百万）
        if 'M' in val:
            return float(val.replace(' M', '')) * 1e6
        # 如果val中包含'K'，则将'K'替换为空字符串，并将结果乘以1e3（表示千）
        elif 'K' in val:
            return float(val.replace(' K', '')) * 1e3
        # 如果val中既不包含'M'也不包含'K'，则直接将val转换为浮点数
        else:
            return float(val)
    
    # 将'revenue_pltr'中'totalRevenue'列的每个值都应用convert_to_float函数进行转换
    revenue_pltr['totalRevenue'] = revenue_pltr['totalRevenue'].apply(convert_to_float)


# 显示数据的最后几行
revenue_pltr.tail()
fecha fiscalfinalización los ingresos totales
5 2022-06-30 473010000.0
6 2022-09-30 477880000.0
7 2022-12-31 508624000.0
8 2023-03-31 525186000.0
9 2023-06-30 533317000.0

Lo primero que observamos en el conjunto de datos es que solo tenemos información hasta finales del primer trimestre de 2023. Nuestros datos se expresan con frecuencia trimestral y nuestro objetivo es utilizar esta información para predecir los precios diarios de las acciones durante los próximos 14 días después de esta fecha.

Sin embargo, para calcular con precisión un pronóstico que incluya los ingresos como variable exógena, necesitamos conocer el valor de los ingresos futuros. Esto es crucial porque estos valores de ganancias futuras pueden afectar significativamente los precios de las acciones.

Dado que nuestro objetivo es predecir los precios diarios de las acciones durante los próximos 14 días, solo necesitamos predecir los ingresos para el próximo trimestre. Este enfoque nos permite crear un proceso de pronóstico coherente donde el resultado de un pronóstico (ingresos) se utiliza como entrada para otro pronóstico (precio de las acciones), aprovechando así toda la información disponible para obtener el pronóstico más preciso.

# 定义一个变量fcst_pltr_revenue，用于存储预测结果
# 调用timegpt库中的forecast函数，对revenue_pltr数据进行预测
# 预测的时间跨度为1，时间列为fiscalDateEnding，目标列为totalRevenue
fcst_pltr_revenue = timegpt.forecast(revenue_pltr, h=1, time_col='fiscalDateEnding', target_col='totalRevenue')

INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
INFO:nixtlats.timegpt:Inferred freq: Q-DEC
INFO:nixtlats.timegpt:Calling Forecast Endpoint...

# 查看数据集的前几行
fcst_pltr_revenue.head()
fecha fiscalfinalización HoraGPT
0 2023-09-30 540005888

Continuando con la última vez, el siguiente paso clave en nuestro proceso de pronóstico es ajustar la frecuencia de los datos para que coincida con la frecuencia de los precios de las acciones, que se basa en los días de la semana. Para lograr esto, necesitamos volver a muestrear los datos de ingresos previstos históricos y futuros.

Podemos lograr esto usando el siguiente código.

# 将'revenue_pltr'数据框中的'fiscalDateEnding'列转换为日期格式
revenue_pltr['fiscalDateEnding'] = pd.to_datetime(revenue_pltr['fiscalDateEnding'])
revenue_pltr = revenue_pltr.set_index('fiscalDateEnding').resample('B').ffill().reset_index()

Importante : Es importante enfatizar que en este proceso asignamos el mismo valor de ingresos a todos los días de un trimestre determinado. Esta simplificación es necesaria debido a la gran diferencia de granularidad entre los datos de ingresos trimestrales y los datos diarios de precios de las acciones. Sin embargo, en aplicaciones prácticas, es fundamental tratar esta suposición con cautela. El impacto de los datos de ganancias trimestrales en los precios diarios de las acciones puede variar ampliamente dentro de un trimestre en función de una variedad de factores, incluidos cambios en las expectativas del mercado, otras noticias y eventos financieros. En este tutorial, utilizamos esta suposición para ilustrar cómo incorporar variables externas en nuestros modelos predictivos, pero en la vida real, puede ser necesario un enfoque más matizado según los datos disponibles y los casos de uso específicos.

Luego podemos crear el conjunto de datos históricos completo.

# 合并数据框
# 将revenue_pltr数据框的'fiscalDateEnding'列重命名为'date'列，并与pltr_df数据框进行合并
pltr_revenue_df = pltr_df.merge(revenue_pltr.rename(columns={
    
    'fiscalDateEnding': 'date'}))


# 显示DataFrame的前几行数据
pltr_revenue_df.head()
fecha Abierto Alto Bajo Cerca Ajustar cerrar Volumen Dividendos División de acciones los ingresos totales
0 2021-03-31 22.500000 23.850000 22.379999 23.290001 23.290001 61458500 0.0 0.0 341234000.0
1 2021-04-01 23.950001 23.950001 22.730000 23.070000 23.070000 51788800 0.0 0.0 341234000.0
2 2021-04-05 23.780001 24.450001 23.340000 23.440001 23.440001 65374300 0.0 0.0 341234000.0
3 2021-04-06 23.549999 23.610001 22.830000 23.270000 23.270000 41933500 0.0 0.0 341234000.0
4 2021-04-07 23.000000 23.549999 22.809999 22.900000 22.900000 32766200 0.0 0.0 341234000.0

Marco de datos para calcular los ingresos futuros:

# 设置变量horizon为14，表示水平线的位置为14
horizon = 14

# 导入numpy库，用于进行科学计算和数组操作
import numpy as np

# 创建一个DataFrame对象future_df
# 该DataFrame包含两列：'date'和'totalRevenue'
# 'date'列使用pd.date_range函数生成，从pltr_revenue_df的最后一个日期开始，生成horizon + 1个日期，频率为工作日（'B'）
# 从生成的日期中取出后horizon个日期，作为'future_df'的'date'列
# 'totalRevenue'列使用np.repeat函数生成，将fcst_pltr_revenue的第一个元素的'TimeGPT'值重复horizon次
future_df = pd.DataFrame({
    
    
    'date': pd.date_range(pltr_revenue_df['date'].iloc[-1], periods=horizon + 1, freq='B')[-horizon:],
    'totalRevenue': np.repeat(fcst_pltr_revenue.iloc[0]['TimeGPT'], horizon)
})



# 查看数据集的前几行
future_df.head()
fecha los ingresos totales
0 2023-07-03 540005888
1 2023-07-04 540005888
2 2023-07-05 540005888
3 2023-07-06 540005888
4 2023-07-07 540005888

Luego podemos pasar ganancias futuras X_dfen el método usando parámetros . forecastDado que los ingresos se encuentran en el marco de datos históricos, esta información se utilizará en el modelo.


# 使用timegpt模块中的forecast函数，对pltr_revenue_df数据进行预测
# 预测的时间范围为horizon
# 频率为'B'，即每个工作日
# 时间列为'date'
# 目标列为'Close'
# 附加的特征数据为future_df
fcst_pltr_df = timegpt.forecast(
    pltr_revenue_df, h=horizon, 
    freq='B',
    time_col='date', 
    target_col='Close',
    X_df=future_df,
)

INFO:nixtlats.timegpt:Validating inputs...
INFO:nixtlats.timegpt:Preprocessing dataframes...
WARNING:nixtlats.timegpt:The specified horizon "h" exceeds the model horizon. This may lead to less accurate forecasts. Please consider using a smaller horizon.
INFO:nixtlats.timegpt:Calling Forecast Endpoint...

# 绘制时间序列预测图
# 参数说明：
# pltr_revenue_df: 公司收入数据的DataFrame
# fcst_pltr_df: 预测的公司收入数据的DataFrame
# id_col: 数据中表示系列ID的列名
# time_col: 数据中表示时间的列名
# target_col: 数据中表示目标变量的列名
# max_insample_length: 用于训练模型的最大样本长度
timegpt.plot(
    pltr_revenue_df, 
    fcst_pltr_df, 
    id_col='series_id',
    time_col='date',
    target_col='Close',
    max_insample_length=90,
)

También podemos ver la importancia de los ingresos.

timegpt.weights_x.plot.barh(x='features', y='weights')

<Axes: ylabel='features'>

Supongo que te gusta

Origin blog.csdn.net/wjjc1017/article/details/135244831
Recomendado
Clasificación
Diario
Más
2024-05-19(0)
2024-05-18(30)
2024-05-17(4)
2024-05-16(22)
2024-05-15(5)
2024-05-14(10)
2024-05-13(7)
2024-05-12(22)
2024-05-11(31)
2024-05-10(32)

Code World

© 2018 codetd.com