基于数据挖掘的电子警察执法异常分析方法及应用研究
基于数据挖掘技术的异常检测方法研究与应用
基于数据挖掘技术的异常检测方法研究与应用随着互联网技术和大数据环境的发展，现代社会中的数据量正在以惊人的速度增长。
与此同时，各种类型的异常行为也在增多。
这些异常行为可能来自于恶意软件攻击、诈骗等，但也可能是由于系统故障或用户的非正常操作所引起的。
在这种情况下，保护数据资源和信息安全已经成为了重要的任务。
数据挖掘技术作为解决异常检测任务的一种方法，受到了广泛的关注。
一、异常检测常见的方法异常检测是通过对数据的数据分析、特征提取、奇异性判别等方法进行异常点的标识，从而找出异常点的行为和性质，并为后续的处理提供依据。
目前常见的异常检测方法主要有以下几种：1、基于统计学的方法这种方法是根据数据分布的特征进行捕捉异常的，比如使用3σ法则或箱线图的方法。
2、基于机器学习的方法这类方法将异常检测视为一种二分类问题，由样本的特征构成训练集，并通过算法确定分类器，从而找出异常点。
3、基于规则的方法这种方法会通过人工定义规则来实现异常检测，但因为规则定义的难度和人为错误的影响作用，这种方法的可靠性和鲁棒性略低。
二、数据挖掘技术在异常检测中的应用随着数据挖掘技术的发展，越来越多的异常检测研究的工作，利用数据挖掘技术来实现异常检测。
数据挖掘技术在异常检测中的应用主要包括以下几个方面：1、基于聚类的方法这种方法通过聚类的技术发现数据的内在结构，从而识别异常点。
此方法易受噪声因素干扰，适用性有限。
2、基于分类的方法这种方法将异常检测看成一个分类问题，并利用机器学习的技术对数据进行分类和判别。
该方法精度较高，适用性强。
3、基于关联规则的方法这种方法通过分析数据项之间的关联规则，找出异常点。
该方法适用于数据项多、类型多的情况。
4、基于时间序列的方法这种方法利用时间序列的统计分析来识别异常点。
此方法适用于监测流量、交易等领域。
三、数据挖掘技术在异常检测中的局限性尽管数据挖掘技术在异常检测中具有许多优点，但是也存在诸多不足：1、误报率高在使用分类算法时，因为异常点的样本数量非常少，在样本不均衡的情况下容易导致误报问题。
数据挖掘中的异常检测算法研究与应用
数据挖掘中的异常检测算法研究与应用随着互联网和大数据时代的来临，人们不仅能够收集到海量的数据，而且可以通过数据挖掘技术来从中发现有价值的信息和模式。
数据挖掘中的异常检测算法就是其中一种重要的技术，在各个领域都有广泛的应用。
异常检测算法是指通过对数据进行分析和建模，识别出与其他数据不符合的异常数据。
异常数据通常是指与大多数数据点相比较不寻常的数据点，表示了数据中的异常情况或潜在的问题。
在许多实际应用中，如金融领域的欺诈检测、网络安全领域的入侵检测以及制造业领域的故障检测等，异常检测算法都起到了关键作用。
常见的异常检测算法有基于统计方法的算法、基于机器学习的算法和基于模型的算法。
基于统计方法的算法主要通过计算数据的各种统计指标来判断数据是否异常，例如平均值、方差、标准差等。
这种方法的优点是简单直观，但是对于复杂的数据分布和相关性较强的数据不太适用。
基于机器学习的算法是通过训练一个分类模型来识别异常点。
常见的机器学习算法包括支持向量机（SVM）、决策树、随机森林等。
这些算法利用已知的正常样本进行训练，然后通过将新的样本输入到模型中，来判断其是否异常。
机器学习算法的优点是可以处理复杂的数据分布和相关性，但是需要大量的样本数据进行训练，且对于特定问题需要选择合适的算法和特征。
基于模型的异常检测算法则是通过构建正常数据的模型来判断新的数据是否异常。
常见的模型包括高斯混合模型（GMM）、聚类模型等。
这些模型通过学习数据的分布来对新的数据进行判断。
基于模型的算法的优点是可以对复杂的数据分布进行建模，但是对于异常数据的定义和模型的选择有一定的挑战。
除了以上几种常见的异常检测算法外，还有一些新兴的算法值得关注。
例如，基于深度学习的异常检测算法利用神经网络对数据进行建模，可以处理复杂的非线性关系。
另外，基于图的异常检测算法利用图结构来表示数据之间的关系，可以发现在数据中存在的异常子图。
这些算法的研究和发展都为异常检测提供了新的思路和方法。
数据挖掘技术及其在刑侦工作中的应用分析
数据挖掘技术及其在刑侦工作中的应用分析赵华珍河南警察学院摘要：本文首先对数据挖掘技术和刑侦工作中关联规则的应用问题进行了简要介绍，从而探讨了数据挖掘技术在刑侦工作中应用存在的问题，并在新犯罪敏感性和权重参数基础上对Apriori 算法进行了优化，希望对提升数据挖掘技术在刑侦工作中的应用效率起到促进作用。
关键词：数据挖掘技术；刑侦工作；应用前言近年来，信息技术以日新月异的速度飞快发展，给人们的工作及生活带来了极大的转变，现阶段，相关领域也加大了对信息技术的研发力度，在人工智能以及数据库的研发过程中，数据挖掘技术受到了广泛关注，现阶段将这一技术同刑侦工作进行紧密的结合，从而有效提升刑侦工作效率至关重要。
然而，目前我国刑侦工作中对数据挖掘技术的应用还处于初级阶段，因此还存在一定缺陷，在这种情况下，有针对性的采取有效措施弥补数据挖掘技术在刑侦工作中应用的不足具有重要意义。
一、数据挖掘技术在刑侦工作中应用存在的问题（一）数据挖掘技术Data Mining即数据挖掘，通常也被称之为KnowledgeDiscov⁃ery in Database，指的是在对知识以及内容进行研究的过程中，从数据库中进行提取，而这些知识实际上是具有一定潜在可利用功能的，同时也具有隐含的性质，在知识提取过程中，可以通过多种形式，如模式、规律以及概念等[1]。
在对数据进行储存的过程中，主要应用的是数据库管理系统，而数据分析是以机器学习法为主的，从而对海量数据背后所隐藏的知识进行挖掘，以上两者充分的融合就是数据挖掘技术产生的基础。
（二）刑侦工作中关联规则的应用问题首先，传统的Apriori算法，敏感性在新项目中的体现相对较低。
由于在记录犯罪行为的过程中，是一个不断更新的过程，在传统犯罪行为消失而新的犯罪行为产生的过程中，数据库中的内容产生不间断更新，这一过程很容易造成一定的变化产生于项目之间的关联中，而关联规则不断创新。
在传统Apriori算法中，这一现象被忽视，即新的项目增加基础上，在对支持度在不同项目集中的体现进行求解的过程中，基数总是以整个数据库中的犯罪行为记录为主，这种现象同关联规则挖掘具有明显的冲突，也就是说在对其进行应用的过程中，无法对新产生的频繁项目集进行及时的发现，因此也就无法对关联规则进行有效的更新。
数据挖掘技术在公安信息化中的应用研究
数据挖掘技术在公安信息化中的应用研究随着科技的不断发展，公安行业也迎来了信息化建设的大好时机。
然而，在大量的数据中找到有效的信息是公安信息化建设的重要内容之一。
数据挖掘技术在信息化建设中也日益被应用，为公安工作的高效发展提供了技术支撑。
一、公安信息化建设的背景随着信息化的发展，社会经济、政治文化、公民权利等领域网络化、数字化、信息化程度日益提高。
为满足公安工作的要求，公安信息化建设近年来迎来了快速发展的机遇。
信息化建设的内容包括数据管理、信息采集、信息存储与传输、信息处理和信息应用等方面。
这其中，信息处理是整个信息化建设过程中最为重要的环节之一。
二、数据挖掘技术在公安信息化中的应用1. 数据挖掘技术在预警系统中的应用公安部门需要通过大量的数据挖掘技术，构建一套快速、准确的预警系统。
该系统依靠先进的算法，能够有效地把所有的信息集成在一起，对犯罪分子和潜在犯罪嫌疑人进行超过80%的准确率下的预警。
预警系统建立在数据挖掘、分析和预测的基础上，可以分析和评估犯罪的风险和威胁，以制定有效的对策和统一控制。
2. 数据挖掘技术在犯罪建模中的应用公安部门需要充分利用大数据挖掘技术，对犯罪数据进行整合，并利用模型对犯罪的时空规律进行挖掘和分析。
该模型可以自行整合、分析和计算出具有统计显著性的重要特征，对长期的犯罪嫌疑人和罪犯之间的谋杀等嫌疑行为进行诊断、预测和分析。
这种技术可以帮助公安部门更加准确地侦破案件，并遏制犯罪的不断蔓延。
3. 数据挖掘技术在社会风险评估中的应用由于公安执法非常复杂，信息量巨大，导致大量疑难案件积压。
因此，对于公安部门来说，高效战略管理是至关重要的。
公安部门进行社会风险评估时，需要先收集大量相关的数据。
然后，利用大数据挖掘技术，将这些数据用来分析不同群体之间的脆弱性、损失程度和异常事件发生的概率。
这种技术可以帮助公安部门更好地发现一些社会性问题，避免犯罪再次发生。
三、数据挖掘技术在公安信息化中的优势1. 自动化和实时化数据挖掘技术在公安信息化建设中具有高度的自动化和实时化性质。
刑侦犯罪分析中的数据挖掘技术的应用与案件破获效果评估
刑侦犯罪分析中的数据挖掘技术的应用与案件破获效果评估数据挖掘技术在刑侦犯罪分析中的应用不断发展，为警方提供了强有力的工具，以帮助他们更好地了解犯罪模式、预测犯罪趋势，提高案件破获率。
数据挖掘技术的应用与案件破获效果评估是如何进行的呢？一、数据挖掘技术在刑侦犯罪分析中的应用1. 数据收集与整理：数据挖掘技术要求大量的数据作为输入，这对于刑侦犯罪分析来说尤为重要。
通过对案发地点、时间、人员、作案手法等信息的收集整理，可以建立一个完整的犯罪数据集。
2. 数据预处理：在进行数据挖掘前，需要对数据进行预处理，包括数据清洗、特征选择、特征变换等环节。
通过清洗数据可以去掉异常值、缺失值等，使数据更加可靠。
特征选择和变换则能够提取出最相关的特征，进一步提高数据挖掘的准确性。
3. 模式发现：数据挖掘技术可以通过分析犯罪数据集，发现隐藏在其中的模式和规律。
通过频繁模式挖掘、关联规则挖掘等方法，可以帮助警方了解不同犯罪类型之间的关联性，预测潜在的犯罪趋势。
4. 聚类与分类：数据挖掘技术包括聚类与分类两个核心任务。
聚类可以将相似的案件归为一类，帮助警方掌握犯罪模式和犯罪团伙的组织结构。
分类可以根据已知案件的特征和模式，预测未知案件的归类，为警方提供重要参考。
5. 预测与评估：基于历史数据的分析，数据挖掘技术可以预测犯罪发生的可能性。
通过建立预测模型，可以提供给警方相关指导，帮助他们加强巡逻和布控，提高犯罪预防效果。
此外，通过对案件破获效果的评估，可以监测和调整预测模型的性能。
二、案件破获效果评估1. 案件破获率评估：案件破获率是衡量警方工作效果的重要指标之一。
通过比较使用数据挖掘技术前后的案件破获率，可以评估数据挖掘技术在刑侦犯罪分析中的实际效果。
2. 假阳性率与假阴性率评估：在使用数据挖掘技术进行犯罪预测时，存在假阳性和假阴性的情况。
假阳性是指预测为犯罪但实际上不是犯罪的案件，假阴性是指未能预测到的实际犯罪案件。
通过评估假阳性率和假阴性率，可以判断数据挖掘技术的准确性和可靠性。
基于数据挖掘技术的警务智能信息系统的构建与应用研究
基于数据挖掘技术的警务智能信息系统的构建与应用研究
苟振 锋
（ 江西工业 职业技术 学院 电子与信 息工程分 院 ， 江西 南 昌 ３ ３ ０ ０ ３ ９ ）
［ 摘 要】 随着社会不 断发展 ， 社会信息化水平逐渐提 高， 在 信息化推动进程 中， 警务信息化发展越来越迅速 。公安 系统金盾工程
以通过外 在数据 输人 ， 准确 的对数据样 本进行 分析 ， 这 个 模 型
个 个体 事实 ， 这 其 中会 出现 大量 的无关 数据 ， 数据 具备 属性 。
构 造 出数 据 立 方 ． 主 要 考 虑 到 的是 数 据 完 整 性 和 准 确 性 。 一般
都会 使用雪 花型或者 是事实 型做好立 方体 的度量 和规划 。这
业信息运 行 中， 可 以对商业信 息进行 数据纳入 和分 析 。 这 是一
种 比较 常 用 的数 据 分 析 方法 之 一 。该 技 术 最 明 显 的特 点 是 ， 可
随着社会 不断发 展 ， 社会信息 化进程 不断加 快 ， 警务 信息
以对商业数据信 息的进行分类取 出， 转化数据 以及建立起模 型
也 开始 启动， 该 系统 包含还行信 息数 据。公安部 门使 用数 据挖掘技 术 ， 能 够在 浩瀚 的烟 海 系统 中进行规划发展 。 最常采用的规划程 序是联规 则形式、 聚类分析 以及社会 网络 准确分析 等 ， 这 些类 型信 息数 据的重组和构建 ， 需要及 时进行 有效的分析。文章主要 以数
二、 警 务 智 能 信 息 系统 的 构 建 与 运 用 （ 一） 做好 系统分析工作。 设 计 框 架 以 警 务 信 息 系 统 为 基 础
数据挖掘中的异常检测方法及应用场景
数据挖掘中的异常检测方法及应用场景随着大数据时代的到来，数据挖掘成为了一项重要的技术，帮助人们从庞大的数据中发现有价值的信息。
而在数据挖掘的过程中，异常检测作为其中的一项重要任务，被广泛应用于各个领域。
本文将介绍数据挖掘中的异常检测方法及其应用场景。
一、异常检测方法1. 基于统计的方法基于统计的方法是最常见的异常检测方法之一。
它通过对数据集的统计特性进行分析，来判断某个数据点是否异常。
常用的统计方法包括均值、方差、分位数等。
当某个数据点的值与其他数据点的统计特性相差较大时，就可以认为它是异常值。
2. 基于聚类的方法基于聚类的方法是通过将数据集中的数据点进行分组，然后检测每个组中是否存在异常值。
这种方法通常利用聚类算法，如K-means算法、DBSCAN算法等，将数据点分为不同的簇，然后通过计算每个簇的紧密度或离群度来判断是否存在异常值。
3. 基于分类的方法基于分类的方法是通过训练一个分类模型，来判断新的数据点是否属于正常范围。
这种方法通常需要先准备一个带有标签的数据集，然后利用机器学习算法，如决策树、支持向量机等，训练出一个分类模型。
然后将新的数据点输入到模型中，根据模型的输出结果来判断是否为异常值。
二、应用场景1. 金融领域在金融领域，异常检测被广泛应用于识别欺诈交易。
通过监测用户的交易行为，可以发现异常模式，如大额转账、异地交易等，从而及时预警和防止欺诈行为的发生。
2. 网络安全在网络安全领域，异常检测可以帮助发现网络攻击和入侵行为。
通过分析网络流量数据，可以识别出异常的网络活动，如异常的数据包、频繁的登录尝试等，从而保护网络安全。
3. 工业制造在工业制造领域，异常检测可以帮助发现设备故障和生产异常。
通过监测设备的传感器数据，可以及时发现设备的异常行为，如温度异常、振动异常等，从而减少设备损坏和生产停滞的风险。
4. 医疗健康在医疗健康领域，异常检测可以帮助发现疾病和病情变化。
通过监测患者的生理数据，如心率、血压等，可以及时发现异常情况，从而提前进行治疗和干预，提高治疗效果。
数据挖掘技术在警务数据分析系统的应用分析
数据挖掘技术在警务数据分析系统的应用分析曾斌海（湖北工业大学经济与管理学院湖北·武汉430000）摘要在如今这个大数据时代，数据挖掘技术已经成为了诸多行业发展的源动力，新兴的数字化设备和信息采集手段，在警务数据分析系统中也逐渐被应用，成为了一个新型的应用领域，为公安的日常工作的数据处理工作带来了诸多便捷，更能在很大程度上加快案件的办理速度，起到提高整个警务系统案件办理效率的作用。
关键词数据挖掘技术警务系统数据分析应用中图分类号：TP311文献标识码：A1数据挖掘技术在警务数据分析系统中的重要性警务系统由于工作的特点，要不断地接受外来数据和有序存储旧数据，这就对警务系统的数据处理系统有越来越高的要求，传统的警务数据处理系统在信息量巨大的现今社会已经不能再有效的完善数据库的运行，这就需要新型的数据处理系统接替工作。
新型的数据处理系统在案件的信息提取、视频分析等方面都应该有卓越的性能，将对案情有帮助的信息从大数据库中有效的提取出来。
数据挖掘技术是一项在能够提高警务系统在数据的提取和挖掘效率的一项技术，能在短时间内将案件中的数据作为数据源，将其进行分析和建模，从而从这些数据中获得有力的线索。
2目前警务系统特点现今的警务系统是跟随时代不断发展的一个工作效率高、工作素质强的组织系统，有案件处理速度快、案件分析效率高的特点。
这些特点，都需要警务系统中数据处理系统的有效应用，通过对数据的处理分析、检查对比得出较有价值的案件线索，从而提高效率。
警务系统的正常运行离不开数据处理系统，而数据挖掘技术更是数据处理系统的重要组成部分，它确保了整个系统的运行速度，对案件的侦查有促进作用。
3构建警务系统数据存储器基于警务系统的数据特点，警务系统应该建立一个高速运行的警务系统数据存储器。
“数据存储器”在结构上分为三个部分，分别是关系系统、OLAP服务器以及客户处理系统。
这三个部分的作用效果如下：3.1关系系统关系系统是这三个组成部分的基础部分，这个系统负责对系统中的数据进行整理和提取、刷新，将数据在整个系统中的存储位置有序的排列好，防止数据丢失和数据残缺的现象发生。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
主 要 从 设 备 层 面 、使 用 层 面 和 运 维 层 面 进 行 分
析 ，构建电子警察管理评价体系（见 图 1)。其 中 ：设 备层面指标包括设备故障率和取证合格率两方面， 主 要 用 于 保 证 电 子 警 察 系 统 正 常 运 作 ，保 障 系统 故 障 率 低 ，发 生 故 障 时 系 统 恢 复 时 间 短 ，采集到的违法 照 片 清 晰 合 规 ，最 大 限 度 地 提 高 电 子 警 察 系 统 的 可 用 性 。使 用层 面涵 盖 执法 量异常和 执法模式异常 两 方 面 ，主要用于保障电子警察系统执法数据正常，保 证不会由于执法录人和设施缺陷等造成对电子警察 执法质量的争议。运维层面包括设备巡查和设备修 复 两 方 面 ，主 要 用 于 对 运 维 管 理 的 考 核 和 运 维 水 平 的分析。
法 行 为 的 管 控 力 度 ，加 大 了 对 违 章 车 辆 的 威 慑 力 。 文 中 对 电 子 警 察 系 统 在 道 路 交 通 管 理 中 的 发
展 、应 用 及 所 取 得 的 社 会 效 益 进 行 分 析 ，建 立 了 电 子 警 察 管 理 评 价 体 系 ，通 过 挖 掘 电 子 警 察 执 法 数
据 ，提 出 了 电 子 警 察 执 法 异 常 分 析 方 法 ，并 对 广 州 市 电 子 警 察 执 法 异 常 进 行 了 分 析 ，以 提 高 设 备 的
可 靠 性 、执 法 的 合 理 性 与 相 关 设 施 设 置 的 科 学 性 。
关 键 词 ：公 路 交 通 ；交 通 违 法 ；电 子 警 察 ；评 价 体 系 ；异 常 分 析
中 图 分 类 号 ：U 491.5
文 献 标 志 码 ：A
文 章 编 号 ：1671 —2668(2017)02 —0049 —03
道 路 交 通 违 法 问 题 与 市 民 工 作 、生 活 息 息 相 关 ， 是交通管理的重中之重。 自 2 0 世 纪 9 0 年代引人电 子 警 察 以 来 ，对 道 路 交 通 违 法 的 取 证 逐 步 从 以 人 工 为 主 转 为 以 设 备 为 主 ，电 子 警 察 系 统 在 很 大 程 度 上 解 放 了 警 力 ，大 大 缓 解 了 交 通 管 理 人 力 资 源 短 缺 的 问 题 。但 由 于 执 法 录 人 、设 施 缺 陷 等 原 因 造 成 部 分 被 执 法 者 对 电 子 警 察 的 执 法 质 量 存 在 争 议 ，如何深 人 挖 掘 电 子 警 察 执 法 数 据 ，提 出 执 法 数 据 异 常 分 析 方 法 ，切实提高设备的可靠性、执法的合理性与相关 设 施 设 置 的 科 学 性 ，成 为 当 前 电 子 警 察 发 展 中 急 需 解决的一大问题。但 一 直 以 来 ，关于电子警察布设 合 理 性 的 研 究 几 乎 是 空 白 ，解 决 争 议 问 题 的 更 多 方 式 是 通 过 行 政 复 议 等 行 政 手 段 ，这 种 被 动 式 管 理 给 交通管理者带来了一些负面社会效应。因 此 ，有必 要 针 对 电 子 警 察 进 行 科 学 评 价 ，主 动 发 现 存 在 的 问 题 并 及 时 加 以 改 进 ，减 少 不 必 要 的 争 议 。该文 根据 电 子 警 察 系 统 的 执 法 数 据 ，采 用 数 据 分 析 方 法 准 确 及 时 地 掌 握 交 通 违 法 系 统 中 各 种 动 态 、静 态 信 息 ，提 取 交 通 违 法 行 为 在 时 间 、空 间 、违法 类型 上的分布特 征 ，从多维度对交通违法数据进行分析，挖掘电子警 察 系 统 中 执 法 不 合 理 的 点 位 ，主 动 优 化 电 子 警 察 的 布 设 和 使 用 ，提 高 非 现 场 执 法 的 合 理 性 和 可 靠 性 ，为 经济和社会发展创造和谐的道路交通环境。
510030)
摘 要 ：随 着 城 市 经 济 的 快 速 发 展 ，机 动 车 普 及 进 程 加 快 ，对 交 通 基 础 设 施 、公 安 交 通 管 理 部 门 带 来 不 小 压 力 。 电 子 警 察 的 出 现 符 合 科 技 强 警 的 战 略 要 求 ，缓 解 了 警 力 不 足 的 困 难 ，提 高 了 对 违
公路与
汽运
总 第 179期
H ig h w a ys & Automotive A pplications
49
基于数据挖掘的电子警察执法异常分析 方法及应用研究
罗强、 刘宗广、 李友欣、 周沛2
(1.广 州 市 交 通 管 理 科 学 技 术 研 究 所 ，广 东 广 州 5 1 0 0 0 0 ; . 广 州 市 交 通 规 划 研 究 院 ，广 东 广 州
50
公路与
汽运
2017年 3 月
2 执法异常分析方法
相关 系 数 r 的取值范围为[一 l ，l ] ，r > 0 为正 相 关 ，r 〈0 为负相关。其 中 ：|r | > 0 _8 为高度相关;
2 . 1 执法量异常
0.5< |r |< 0 . 8 为中度相关;0.3< |r |< 0 . 5 为低度
2 . 1 . 1 横向聚类异常判别
相 关 ；Ir |< 0 .3 表示相关程度极弱。
主要用于寻找各违法行为中执法量异常高的点 2.2.2 测速值分布异常判别
位 ，判别方法为制作频数分布直方图。步骤如下： ( ) 确定样本顺序统计量X 1，X 2,… ，X N 。 ( 2 ) 确定数据的极差只，i? = X N—X 1。
「设备层面-
设备正常率 取证合格率^
执法量异常率
时间序列异常 横向聚类异常I
电子警察
撼法时间分布异％ -使用层面- |执法模式异常率卜
管理滞பைடு நூலகம்
测速值分布异常
行政复议率
L运维层面-
设备巡査 设备修复
图 1 电子警察管理评价体系
由于目前电子警察管理仍处于设备功能管理阶 段 ，大多只关注设备是否正常拍摄、视频取证图像是 否 合 格 等 ，深 层 次 的 执 法 管 理 尚 未 进 行 系 统 研 究 ，下 面主要从执法管理层面研究执法数据异常判断方 法 ，弥补现有研究的不足。