CN112948981A - 一种高速列车小幅蛇行演变趋势的区间预测方法 - Google Patents

Abstract

本发明公开了一种高速列车小幅蛇行演变趋势的区间预测方法，针对现有监测方法主要集中在对大幅蛇行的监测，而忽略了小幅蛇行的演变规律，提出了一种区间预测方法。本发明通过建立高速列车小幅蛇行失稳区间预测模型，使得当高速列车处于小幅蛇行状态时，能够预测构架横向加速度变化的区间，并且给出预测区间的置信度，从而更为快速地判断列车是否将会发生蛇行失稳(小幅收敛、小幅发散两种变化状态)，提高列车运行的安全性。基于以上问题，本发明公开的方法大大减少了模型待优化的参数，使得优化参数可快速收敛。将该方法用于小幅蛇行变化趋势的预测，可提高蛇行失稳识别的时效性。

Description

一种高速列车小幅蛇行演变趋势的区间预测方法

技术领域

本发明属于列车蛇行运动状态检测技术领域，具体涉及一种高速列车小幅蛇行演变趋势的区间预测方法。

背景技术

随着我国高速列车进一步的发展，高速列车由于其速度高、载客量大等特性，在我国的分布越来越广，速度也在不断提升，高速列车的运行安全也受到挑战。高速列车横向失稳严重影响到高速列车的安全运行。

由于列车的轮对具有一定锥度，造成轮对产生绕着其运行轨道的中心线一边横移一边摇头的耦合运动，即蛇行运动。当速度超过临界值时，蛇行运动的振幅可能会随着速度的增大而进一步扩大，最终演变为蛇行失稳。目前对于蛇行失稳的判断标准并不统一，国内的标准主要是通过列车构架横向加速度的峰值来判断。根据《高速铁路工程动态验收技术规范》和《铁道客车行车安全监测诊断系统技术条件》，判定高速列车转向架横向失稳的条件是转向架构架横向加速度信号经过0-10Hz滤波后，其峰值连续6次以上(包括6次)达到或超过8～10m/s²的极限值。目前蛇行失稳的峰值监测方法都是基于该标准判断高速列车是否在运行过程中存在蛇行失稳现象。

根据现有文献，目前高速列车蛇行失稳的监测方法为采用峰值法，但是由于在列车运行过程中加速度信号夹杂许多噪声，导致在其波峰处出现震荡现象，这容易影响到对峰值的计数精度，因此依照此方法容易造成误判。故目前，在理论研究中，还存在另一种提取信号特征，然后识别特征的识别方法。这种方法能够有效的避免信号由于峰值的震荡对识别产生的影响，然而这类方法特征提取过程较为复杂，且由于方法比较固定，泛化能力较差，从而导致特征阶段时计算时间较长，且难以适应列车多变的运行环境。此外，现有监测方法主要针对正常和蛇行失稳这两种状态，而忽略了小幅蛇行状态的演变的规律。根据研究发现,高速列车在运行时，从正常变化到蛇行失稳的状态中存在一个过渡的小幅蛇行状态，具体表现为其幅值超过正常状态，但又小于失稳状态。小幅蛇行有两种演变趋势；一种为从小幅蛇行状态变化到正常状态即小幅蛇行收敛，另外一种为从小幅蛇行状态变化到蛇行失稳状态即小幅蛇行发散，因此研究小幅蛇行的变化趋势可预判列车是否会发生蛇行失稳。

由于小幅蛇行的演变规律具体表现为构架横向加速度信号变化，因此对小幅蛇行的演变趋势预测即可转化为时间序列预测问题，而目前深度神经网络(DeepNeuralNetworks,DNN)在这一类的问题上得到广泛的应用。其主要预测方法可分为点预测和区间估计两类。点预测通常输出一个点的估计值，区间预测通常输出一个分布区间，并给出区间的置信度。

高速列车自身结构复杂且其实际工作环境复杂多变，因此预测蛇行运动中轮轨横向位移的轨迹精确变化几乎是不可能的。基于DNN点预测方法虽然能够给出一个明确的预测数值，但不能给出预测值的置信度。实际上预测参数在某一范围内波动，是正常现象，也符合客观规律。例如：人体的正常体温范围为36～37摄氏度，正常心率范围为60～100次/分钟等正常生理指标均是以区间估计的形式给出的。因此本发明提出一种高速列车小幅蛇行演变区间预测模型，其重要意义在于这种预测方法可以给出预测区间的置信度，使用者可以根据自己的需求调整置信度，使得其应用更为灵活，这无疑为下一步蛇行趋势判别准则的建立提供更加科学严谨的理论参考。

然而，目前LUBE模型的参数通过类似于模拟退火算法(Simulated Annealing，SA)等启发式算法来优化参数，当模型较为复杂时，待优化的参数较多，启发式算法难以得到较优的收敛解。

发明内容

针对现有的监测技术忽略小幅蛇行变化规律这一过渡状态，以及LUBE模型训练困难的问题，本发明改进了LUBE模型的训练方法，并将LUBE模型应用于小幅蛇行变化趋势的预测。本发明提出高速列车小幅蛇行演变趋势的区间预测方法可以对列车信号的峰值进行区间预测，并采取分级训练的方式，解决了现有的基于DNN的LUBE模型因模型参数较多而难以收敛的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种高速列车小幅蛇行演变趋势的区间预测方法，包括以下步骤：

S1、采集高速列车运行时的构架横向加速度信号，作为原始数据信号，并对其进行预处理；

S2、构造LUBE模型，并通过预处理后的原始数据信号对其进行两级训练，得到训练好的LUBE模型；

S3、将高速列车实时运行数据输入至训练好的LUBE模型中，得到小幅蛇行演变趋势的区间预测结果。

进一步地，所述步骤S1中，采集的原始数据信号为高速列车运行时的构架的1位和4位横向加速度信号；

所述步骤S1中，对原始数据信号进行预处理包括滤波、零均值化、消除趋势项以及数据平滑处理。

进一步地，所述步骤S2中的LUBE模型包括需要依次训练的初级网络和次级网络；

所述初级网络和次级网络均为CNN-RNN网络结构，所述初级网络和次级网络的网络层数一样，仅其最后一层输出层不同，将训练完成的所述初级网络最后一层的点预测层修改为预测区间层，得到所述次级网络；

所述初级网络的损失函数为连续函数，次级网络的损失函数为非连续函数。

进一步地，所述步骤S2中，LUBE模型的训练方法为：

A1、将预处理后的原始数据信号构建的数据集按照设定比例划分为训练集和测试集；

A2、将训练集中的数据输入至初级网络中，对其进行训练，得到完成训练的初级网络权值参数；

A3、将初级网络中训练好的网络权值参数导入至次级网络中，完成次级网络的权值参数设置；

A4、在完成次级网络权重参数设置的基础上，将次级网络中的最后一层的点预测层修改为预测区间层，并设置其输出结果为置信区间，得到次级网络；

A5、通过PSO算法对次级网络的最后一级网络权值参数进行优化，进而得到训练好的LUBE模型。

进一步地，所述步骤A2中，对初级网络进行训练的方法具体为：

B1、将初级网络的输出表示为

并确定初级网络的损失函数MSE为：

式中，y_i为高速列车构架的横向加速度信号在时间序列上的真实峰值，*表示初级网络相关参数，^表示网络的输出值，

为初级网络输出的高速列车构架的横向加速度信号在时间序列上的预测峰值，下标i表示第i个峰值的真实值或点预测值，N为点预测的输出总数；

B2、基于初级网络的损失函数，通过BP算法对初级网络进行训练，直到初级网络收敛，得到初级网络权值参数矩阵A^*。

进一步地，所述步骤A5中，对次级网络的最后一级网络权值参数进行优化的方法具体为：

C1、将初级网络权值参数矩阵A^*作为次级网络权值参数矩阵A的初始值A₀，即得到LUBE模型的网络权值参数矩阵初始值A₀，记为：

式中：

为LUBE模型的权重参数；

C2、冻结权值参数矩阵初始值A₀中对应的初级网络中除最后一层的所有网络权值参数，将冻结的网络权值参数记作w：

C3、基于冻结的网络权值参数w，将LUBE模型的初始网络权值参数矩阵A₀表示为：

C4、基于初始网络权值参数矩阵

得到次级网络的输出

的表达式；

式中：x_k为高速列车构架的横向加速度信号在时间序列上的第k个输入数据点的值，k取1～M，M表示输入点的总数，

为次级网络对x_k在时间序列上的峰值的预测区间值；

C5、基于次级网络的输出

通过测试集对LUBE模型进行参数寻优，得到训练好的LUBE模型；

训练好的LUBE模型的权值网络参数矩阵A的表达式为：

A＝[w,a_n]

式中：a_n为通过次级网络寻优得到的LUBE模型第n层的网络权值参数。

进一步地，所述步骤A5中，在通过PSO算法对次级网络进行优化时，定义次级网络输出的估计区间的覆盖率，即置信度PICP为：

式中：N为输入到初级网络中的数据数量，δ_i为二值函数；

式中：L(x_k)和U(x_k)分别为LUBE模型预测的上限区间和下限区间；

每个输出的估计区间的平均宽度MPIW为：

对平均宽度MPIW进行规范化得到的标准宽度PINAW为：

式中：R为每个估计区间对应的高速列车运动状态的标准值，取MPIW的最大值；

所述次级网络训练时的损失函数CWCL为：

CWCL＝Loss×CWC

式中，CWC为区间覆盖宽度，且CWC＝PINAW(1+γ(PICP)e^-η(PICP-μ))，Loss为上下区间误差，

其中，γ(PICP)为布尔函数，η为超参数，取值范围为10～50；

其中，γ(PICP)为布尔函数为：

式中：μ为布尔函数参数，且取μ＝0.9。

进一步地，所述步骤S3具体为：

S31、将高速列车实时运行数据中小幅蛇行数据输入到训练好的LUBE模型中，输出当前运行状态对应的估计区间及其置信度；

S32、基于运行状态的区间估计及其置信度，对小幅蛇行演变趋势进行区间预测，进而得到区间预测结果；

其中，运行状态包括正常、小幅蛇行、大幅蛇行。

本发明的有益效果为：

(1)目前对于高速列车蛇行失稳的研究方法，大多采用峰值检测的方法或者通过特征提取，再用分类器进行特征识别。而本模型能给出高速列车小幅蛇行时的区间预测的结果及置信度，从而预测其发展趋势。因此其功能更为全面，且可靠性与泛化性更好；

(2)本模型训练与实际测试期间均是对信号的波峰与波谷进行区间预测，这样不仅能提高运算速度，减少训练时间，还能让结果更加可靠，预测的区间也更加直观，便于用户观察；

(3)本模型通过初级模型来优化次级模型的部分网络权值参数，这样使得次级模型需要优化的网络权值参数大大减少，从而使得构建更为复杂的LUBE模型成为可能。

附图说明

图1为本发明提供的高速列车小幅蛇行演变趋势的区间预测方法流程图。

图2为本发明提供的LUBE模型结构示意图。

图3为本发明提供的采用M-ANN-LUBE方法对小幅蛇行运动演变趋势的预测结果。

图4为本发明提供的采用Bootstrap-ELM方法对小幅蛇行运动演变趋势的预测结果。

图5为本发明提供的采用集成学习方法对小幅蛇行运动演变趋势的预测结果。

图6为本发明提供的预测小幅蛇行收敛的区间的相关指标。

图7为本发明提供的预测小幅蛇行发散的区间的相关指标。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1：

如图1所示，一种高速列车小幅蛇行演变趋势的区间预测方法，包括以下步骤：

S1、采集高速列车运行时的构架横向加速度信号，作为原始数据信号，并对其进行预处理；

S2、构造LUBE模型，并通过预处理后的原始数据信号对其进行两级训练，得到训练好的LUBE模型；

S3、将高速列车实时运行数据输入至训练好的LUBE模型中，得到小幅蛇行演变趋势的预测结果。

上述步骤S1中，采集的原始数据信号可以是任意一段关于时间序列连续的列车构架横向加速度信号，本实施中的原始数据信号为高速列车运行时的构架的1位和4位横向加速度信号；

所述步骤S1中，对原始数据信号进行预处理包括滤波、零均值化、消除趋势项以及数据平滑处理。

上述步骤S2中的LUBE模型(上下限区间估计模型，Low Up BondEstimation)包括需要依次训练的初级网络和次级网络；

所述初级网络和次级网络均为CNN-RNN网络结构，所述初级网络和次级网络的网络层数一样，仅其最后一层输出层不同，将所述训练完成的初级网络最后一层的点预测层修改为预测区间层，得到所述次级网络；

所述初级网络的损失函数为连续函数，次级网络的损失函数为非连续函数。

上述步骤S2中，LUBE模型的训练方法为：

A1、将预处理后的原始数据信号构建的数据集按照设定比例划分为训练集和测试集；

A2、将训练集中的数据输入至初级网络中，对其进行训练，得到完成训练的初级网络权值参数；

A3、将初级网络中训练好的网络权值参数导入至次级网络中，完成次级网络的权值参数设置；

A4、在完成次级网络权重参数设置的基础上，将次级网络中的最后一层的点预测层修改为预测区间层，并设置其输出结果为置信区间，得到次级网络；

A5、通过PSO算法对次级网络的最后一级网络权值参数进行优化，进而得到训练好的LUBE模型。

对需要训练的网络模型的网络权值参数可以用矩阵A表示，那么我们的训练目标就是得到一个网络权值参数矩阵A使得：

式中：x_k为高速列车构架的横向加速度信号在时间序列上的第k个输入数据

点的值；

k取1～M，M表示输入点的总数；

为次级网络对x_k在时间序列上的峰值的预测区间值；

若A为一个n层网络的权值矩阵，那么A可以展开为：

通常方法是以损失函数为优化目标，用BP算法优化矩阵A，即得到一个优化后的神经网络模型，使得真实区间y_i与预测的区间

尽量相等(用最终的损失函数的大小来衡量其效果)。

在LUBE模型中，由于y_i是一个预测区间，导致其对应的损失函数是非连续性的，故不能使用BP算法；

基于此，在对LUBE模型进行训练时，不能用BP算法，本实施例中针对LUBE模型提供一种新的模型训练方法，在步骤A2中，对初级网络进行训练的方法具体为：

B1、将初级网络的输出表示为

并确定初级网络的损失函数MSE为：

式中，y_i为高速列车构架的横向加速度信号在时间序列上的真实峰值，*表示初级网络相关参数，^表示网络的输出值，

为初级网络输出的高速列车构架的横向加速度信号在时间序列上的预测峰值，下标i表示第i个峰值的真实值或点预测值，N为点预测的输出总数；

B2、基于初级网络的损失函数，通过BP算法对初级网络进行训练，直到初级网络收敛，得到初级网络权值参数矩阵A^*。

上述步骤A5中，对次级网络进行优化的方法具体为：

C1、将初级网络权值参数矩阵A^*作为次级网络权值参数矩阵A的初始值A₀，即得到LUBE模型的网络权值参数矩阵初始值A₀，记为：

式中：

为LUBE模型的权重参数；

C2、冻结权值参数矩阵初始值A₀中对应的初级网络中除最后一层的所有网络权值参数，将冻结的网络权值参数记作w：

C3、基于冻结的网络权值参数w，将LUBE模型的初始网络权值参数矩阵A₀表示为：

C4、基于初始网络权值参数矩阵

得到次级网络的输出

的表达式；

式中：x_k为高速列车构架的横向加速度信号在时间序列上的第k个输入数据点的值，k取1～M，M表示输入点的总数，

为次级网络对x_k在时间序列上的峰值的预测区间值；

C5、基于次级网络的输出

通过测试集对LUBE模型进行参数寻优，得到训练好的LUBE模型；

训练好的LUBE模型的权值网络参数矩阵A的表达式为：

A＝[w,a_n]

式中：a_n为通过次级网络寻优得到的LUBE模型第n层的网络权值参数。

在上述训练过程中，如图2所示，为多输入双输出的LUBE模型，直接可以获得预测区间的上下限，通过最小化其损失函数，最终确定模型。

在上述步骤A5中，由于LUBE模型输出为上下预测区间，而且通过先验获得的预测数据的上下区间值来训练模型，需要重新定义损失函数，因此在通过PSO算法对次级网络进行优化时，定义次级网络输出的估计区间的覆盖率，即置信度PICP为：

式中，N为输入到初级网络中的数据数量，δ_i为二值函数；

式中，L(x_i)和U(x_i)分别为LUBE模型预测的上限区间和下限区间；

在定义其覆盖率(置信度)后，还需要限制区间的宽度，因为如果其宽度过大，则其结果无实际意义；

因此，定义每个输出的估计区间的平均宽度MPIW为：

对平均宽度MPIW进行规范化得到的标准宽度PINAW为：

式中：R为每个估计区间对应的高速列车运动状态的标准值，取MPIW的最大值；

最终次级网络训练时的损失函数CWCL为：

CWCL＝Loss×CWC

式中，CWC为区间覆盖宽度，且CWC＝PINAW(1+γ(PICP)e^-η(PICP-μ))，Loss为上下区间误差，

其中，γ(PICP)为布尔函数，η为超参数，取值范围为10～50；

其中，γ(PICP)为布尔函数为：

式中：μ为布尔函数参数，且取μ＝0.9。

上述步骤S3具体为：

S31、将高速列车实时运行数据中小幅蛇形数据输入到训练好的LUBE模型中，输出当前运行状态对应的预测区间及其置信度；

S32、基于运行状态的区间估计及其置信度，对小幅蛇行演变趋势进行区间预测，进而得到区间预测结果；

其中，运行状态包括正常、小幅蛇行、大幅蛇行。

实施例2：

本实施例使用某高速动车组运行的实测数据作为趋势预测的基础数据集，数据的采样频率为1500Hz；

图3～5分别为M-ANN-LUBE、Bootstrap-ELM以及集成学习方法对小幅蛇行运动演变趋势的预测结果，其中，(a)为小幅蛇行收敛过程区间预测，(b)为小幅蛇行发散过程区间预测。M-ANN-LUBE为本发明方法，Bootstrap-ELM以及集成学习方法为常见的区间预测方法。图6和图7为三种方法的预测区间指标的柱状比较图，其中图6为预测小幅蛇行收敛的区间的相关指标，图7为预测小幅蛇行发散的区间相关指标，其具体的数值分别对应与表1和表2；

从图3～5可以看到用Bootstrap-ELM和集成学习方法预测的区间太大，会导致对列车运行状态检测的误判，而采用M-ANN-LUBE方法其预测的区间小，且区间覆盖率(置信度)也较好，适用在列车运行状态检测领域。

从表1和表2、图6和图7中可看出，三种方法得到的PICP相同，但是通过M-ANN-LUBE得到的PINAW和CWC都要小于另外两种方法，说明M-ANN-LUBE方法的表现明显优于另外两种方法。

表1：小幅收敛

表2：小幅发散

方法	PICP	PINAW	CWC
				M-ANN-LUBE	1	0.187	0.187
集成学习	1	0.578	0.578
				Bootstrap-ELM	1	1.373	1.373

Claims (8)

1.一种高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，包括以下步骤：

S1、采集高速列车运行时的构架横向加速度信号，作为原始数据信号，并对其进行预处理；

S2、构造LUBE模型，并通过预处理后的原始数据信号对其进行两级训练，得到训练好的LUBE模型；

S3、将高速列车实时运行数据输入至训练好的LUBE模型中，得到小幅蛇行演变趋势的区间预测结果。

2.根据权利要求1所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤S1中，采集的原始数据信号为高速列车运行时的构架的1位和4位横向加速度信号；

所述步骤S1中，对原始数据信号进行预处理包括滤波、零均值化、消除趋势项以及数据平滑处理。

3.根据权利要求2所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤S2中的LUBE模型包括需要依次训练的初级网络和次级网络；

所述初级网络和次级网络均为CNN-RNN网络结构，所述初级网络和次级网络的网络层数一样，仅其最后一层输出层不同，将训练完成的所述初级网络最后一层的点预测层修改为预测区间层，得到所述次级网络；

所述初级网络的损失函数为连续函数，次级网络的损失函数为非连续函数。

4.根据权利要求3所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤S2中，LUBE模型的训练方法为：

A1、将预处理后的原始数据信号构建的数据集按照设定比例划分为训练集和测试集；

A2、将训练集中的数据输入至初级网络中，对其进行训练，得到完成训练的初级网络权值参数；

A3、将初级网络中训练好的网络权值参数导入至次级网络中，完成次级网络的权值参数设置；

A4、在完成次级网络权重参数设置的基础上，将次级网络中的最后一层的点预测层修改为预测区间层，并设置其输出结果为置信区间，得到次级网络；

A5、通过PSO算法对次级网络的最后一级网络权值参数进行优化，进而得到训练好的LUBE模型。

5.根据权利要求4所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤A2中，对初级网络进行训练的方法具体为：

B1、将初级网络的输出表示为

并确定初级网络的损失函数MSE为：

式中，y_i为高速列车构架的横向加速度信号在时间序列上的真实峰值，*表示初级网络相关参数，^表示网络的输出值，

为初级网络输出的高速列车构架的横向加速度信号在时间序列上的预测峰值，下标i表示第i个峰值的真实值或点预测值，N为点预测的输出总数；

B2、基于初级网络的损失函数，通过BP算法对初级网络进行训练，直到初级网络收敛，得到初级网络权值参数矩阵A^*。

6.根据权利要求5所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤A5中，对次级网络的最后一级网络权值参数进行优化的方法具体为：

C1、将初级网络权值参数矩阵A^*作为次级网络权值参数矩阵A的初始值A₀，即得到LUBE模型的网络权值参数矩阵初始值A₀，记为：

式中：

为LUBE模型的权重参数；

C2、冻结权值参数矩阵初始值A₀中对应的初级网络中除最后一层的所有网络权值参数，将冻结的网络权值参数记作w：

C3、基于冻结的网络权值参数w，将LUBE模型的初始网络权值参数矩阵A₀表示为：

C4、基于初始网络权值参数矩阵

得到次级网络的输出

的表达式；

式中：x_k为高速列车构架的横向加速度信号在时间序列上的第k个输入数据点的值，k取1～M，M表示输入点的总数，

为次级网络对x_k在时间序列上的峰值的预测区间值；

C5、基于次级网络的输出

通过测试集对LUBE模型进行参数寻优，得到训练好的LUBE模型；

训练好的LUBE模型的权值网络参数矩阵A的表达式为：

A＝[w,a_n]

式中：a_n为通过次级网络寻优得到的LUBE模型第n层的网络权值参数。

7.根据权利要求6所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤A5中，在通过PSO算法对次级网络进行优化时，定义次级网络输出的估计区间的覆盖率，即置信度PICP为：

式中：N为输入到初级网络中的数据数量，δ_i为二值函数；

式中：L(x_k)和U(x_k)分别为LUBE模型预测的上限区间和下限区间；

每个输出的估计区间的平均宽度MPIW为：

对平均宽度MPIW进行规范化得到的标准宽度PINAW为：

式中：R为每个估计区间对应的高速列车运动状态的标准值，取MPIW的最大值；

所述次级网络训练时的损失函数CWCL为：

CWCL＝Loss×CWC

式中，CWC为区间覆盖宽度，且CWC＝PINAW(1+γ(PICP)e^-η(PICP-μ))，Loss为上下区间误差，

其中，γ(PICP)为布尔函数，η为超参数，取值范围为10～50；

其中，γ(PICP)为布尔函数为：

式中：μ为布尔函数参数，且取μ＝0.9。

8.根据权利要求1所述的高速列车小幅蛇行演变趋势的区间预测方法，其特征在于，所述步骤S3具体为：

S31、将高速列车实时运行数据中小幅蛇行数据输入到训练好的LUBE模型中，输出当前运行状态对应的估计区间及其置信度；

S32、基于运行状态的区间估计及其置信度，对小幅蛇行演变趋势进行区间预测，进而得到区间预测结果；

其中，运行状态包括正常、小幅蛇行、大幅蛇行。

Images