为推进专利开放许可工作，提升专利转化水平，本期发布3项专利，具体信息如下：

     本发明公开了一种基于Prophet - ARMA的门诊就诊量预测方法，包括以下步骤。步骤1：获取与待测时段相邻的历史时段的门诊数据并生成每类门诊的门诊数据集；步骤2：将每个门诊数据集分别输入每类门诊的Prophet模型得到第一预测数据和拟合数据；步骤3：计算每类门诊的残差序列；步骤4：分别判断每类门诊的残差序列是否为纯随机序列，若不是，将残差序列输入对应ARMA模型得到第二预测数据，再执行步骤5；若是执行步骤6；步骤5：分别将同一类门诊的第一预测数据、第二预测数据相加得到待测时段的就诊量预测值；步骤6：将第一预测数据作为待测时段的就诊量预测值。本发明通过将Prophet和ARMA相结合来提高就诊量预测精度。

     提高了门诊就诊量预测的准确性，减少了预测误差，适用于多种时序特性，实现了高效且准确的门诊就诊量预测。

     本发明公开了一种结合静态底层特征和运动信息的快速行人检测方法，针对待检测的视频序列中的单一图像帧，采用多尺度滑动窗口法提取其中指定大小的检测窗口，并采用快速金字塔特征计算方法计算每个检测窗口内图像的静态底层特征，静态底层特征包括方向梯度、梯度幅值和颜色通道，基于各个检测窗口内图像的静态底层特征对各个检测窗口进行行人与非行人预分类；利用行人特有的移动速度特征，通过检测窗口像素差均值法，去除预分类中误检为行人的检测窗口，最终检测为行人的检测窗口在图像中的位置即该图像帧中的行人的位置。本发明能在降低误检率的同时提高检测的准确性。

     实现了在背景复杂的监控视频序列中实时行人检测，降低误检率，提高检测准确率达到91%，在非GPU计算模式下检测一帧图像耗时0.092秒，满足实时检测要求，提高了视频监控系统的自动化和智能化。

     本发明公开了一种基于特征抽取的网络安全博客分类方法及系统，包括：爬取博客；计算每个博客的非字典词密度；计算每个博客的博客恶意倾向度；统计所有博客共同的高频词；计算每个博客中各个高频词的词频-逆文档频率；基于博客的非字典词密度、博客恶意倾向度以及每个博客中每个高频词的词频-逆文档频率，以及基于博客与IOC的相关或不相关进行编码来训练预设分类模型得到博客分类器；获取待分类博客的非字典词密度、博客恶意倾向度以及高频词的词频-逆文档频率并输入至训练后的博客分类器得到表示待分类博客与IOC的相关或不相关的分类器输出值。通过上述方法实现对网络安全技术博客中与IOC相关的博客和与IOC无关的博客精确分类。

     实现了对网络安全博客的准确分类，提高了博客与IOC相关性识别的可靠性和效率，能够更好地区分IOC相关和无关博客。