CN116028700A - 车辆的离线查询方法及其装置 - Google Patents

Abstract

本公开关于一种车辆的离线查询方法及其装置，涉及自动驾驶技术领域，通过获取车辆在预设时长内的历史查询信息，并预测历史查询信息被查询的概率；基于概率，从历史查询信息中获取候选查询信息；获取候选查询信息的候选查询结果作为离线查询数据；获取用户输入的目标查询词句；从候选查询信息中确定与目标查询词句相匹配的目标候选查询信息，并将目标候选查询信息对应的离线查询数据作为目标查询词句的目标查询结果。本申请实现了预测用户将进行查询的候选查询信息，在车辆有网时获取候选查询信息的候选查询结果作为离线查询数据存储，当车辆无网时，可根据离线查询数据直接返回目标查询信息对应的结果，加快了响应速度，增强用户体验。

Description

车辆的离线查询方法及其装置

技术领域

本公开涉及自动驾驶技术领域，尤其涉及一种车辆的离线查询方法及其装置。

背景技术

车载语音助手目前是智能汽车的新的核心卖点。目前主要的各种语音助手，都是根据用户的语音请求，做语音识别、语义解析、并将语义解析的结果参数化，调用各种服务的应用程序编程接口（Application Programming Interface，API），将结果以内容或服务的形式反馈给用户。但行车环境复杂多变，当网络环境不好时，很可能无法在线获取到“天气”，“新闻”等依赖网络的服务内容，造成无法满足用户需求。

发明内容

本公开提供一种车辆的离线查询方法及其装置，以至少解决行车环境复杂多变，当网络环境不好时，很可能无法在线获取到“天气”，“新闻”等依赖网络的服务内容，造成无法满足用户需求的问题。

本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种车辆的离线查询方法，包括：获取车辆在预设时长内的历史查询信息，并预测历史查询信息被查询的概率；基于概率，从历史查询信息中获取候选查询信息；获取候选查询信息的候选查询结果作为离线查询数据；获取用户输入的目标查询词句；从候选查询信息中确定与目标查询词句相匹配的目标候选查询信息，并将目标候选查询信息对应的离线查询数据作为目标查询词句的目标查询结果。

在一些实施例中，基于概率，从历史查询信息中获取候选查询信息，包括：选取概率大于设定概率阈值的历史查询信息，作为候选查询信息。

在一些实施例中，获取候选查询信息的候选查询结果，包括：向云服务器发送候选查询信息进行查询；接收云服务器发送的候选查询信息对应的候选查询结果。

在一些实施例中，获取车辆在预设时长内的历史查询信息，包括：获取车辆在预设时长内的历史查询词句；获取历史查询词句的历史查询时刻；获取车辆在历史查询时刻时的历史状态信息和历史位置信息；将历史查询词句、历史查询时刻、历史状态信息和历史位置信息，确定为历史查询信息。

在一些实施例中，预测历史查询信息被查询的概率，包括：将历史查询信息输入预先训练的预测模型中；由预测模型提取历史查询信息的特征信息，并根据特征信息进行预测，输出历史查询信息对应的概率。

在一些实施例中，车辆的离线查询方法还包括：按照设定的周期对历史查询信息进行周期性更新；基于更新后的历史查询信息，更新离线查询数据。

在一些实施例中，从候选查询信息中确定与目标查询词句相匹配的目标候选查询信息，并将目标候选查询信息对应的离线查询数据作为目标查询词句的目标查询结果，包括：获取目标查询词句与每个候选查询信息的相似度；获取大于设定相似度阈值的相似度作为候选相似度；从候选相似度中选取相似度最大的相似度作为目标相似度，并将目标相似度对应的候选查询信息作为与目标查询词句相匹配的目标候选查询信息；从离线查询数据中确定目标候选查询信息对应的目标离线查询数据，并将目标离线查询数据作为目标查询词句的目标查询结果。

在一些实施例中，车辆的离线查询方法还包括：若未获取到与目标查询词句的相似度大于设定相似度阈值的候选查询信息，识别车辆的网络状态；若车辆处于连网状态，根据目标查询词句确定需要调用的目标应用程序接口API；通过目标API，将目标查询词句发送给目标API对应的服务器进行查询；接收目标API对应的服务器反馈的目标查询结果。

根据本公开实施例的第二方面，提供一种车辆的离线查询装置，包括：概率预测模块，用于获取车辆在预设时长内的历史查询信息，并预测历史查询信息被查询的概率；第一获取模块，用于基于概率，从历史查询信息中获取候选查询信息；第一查询模块，用于获取候选查询信息的候选查询结果作为离线查询数据；第二获取模块，用于获取用户输入的目标查询词句；第二查询模块，用于从候选查询信息中确定与目标查询词句相匹配的目标候选查询信息，并将目标候选查询信息对应的离线查询数据作为目标查询词句的目标查询结果。

在一些实施例中，第一获取模块，还用于：选取概率大于设定概率阈值的历史查询信息，作为候选查询信息。

在一些实施例中，第一查询模块，还用于：向云服务器发送候选查询信息进行查询；接收云服务器发送的候选查询信息对应的候选查询结果。

在一些实施例中，概率预测模块，还用于：获取车辆在预设时长内的历史查询词句；获取历史查询词句的历史查询时刻；获取车辆在历史查询时刻时的历史状态信息和历史位置信息；将历史查询词句、历史查询时刻、历史状态信息和历史位置信息，确定为历史查询信息。

在一些实施例中，概率预测模块，还用于：将历史查询信息输入预先训练的预测模型中；由预测模型提取历史查询信息的特征信息，并根据特征信息进行预测，输出历史查询信息对应的概率。

在一些实施例中，车辆的离线查询装置还包括：第一更新模块，用于按照设定的周期对历史查询信息进行周期性更新；第二更新模块，用于基于更新后的历史查询信息，更新离线查询数据。

在一些实施例中，第二查询模块，还用于：获取目标查询词句与每个候选查询信息的相似度；获取大于设定相似度阈值的相似度作为候选相似度；从候选相似度中选取相似度最大的相似度作为目标相似度，并将目标相似度对应的候选查询信息作为与目标查询词句相匹配的目标候选查询信息；从离线查询数据中确定目标候选查询信息对应的目标离线查询数据，并将目标离线查询数据作为目标查询词句的目标查询结果。

在一些实施例中，第二查询模块，还用于：若未获取到与目标查询词句的相似度大于设定相似度阈值的候选查询信息，识别车辆的网络状态；若车辆处于连网状态，根据目标查询词句确定需要调用的目标应用程序接口API；通过目标API，将目标查询词句发送给目标API对应的服务器进行查询；接收目标API对应的服务器反馈的目标查询结果。

根据本公开实施例的第三方面，提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现如本申请第一方面实施例所述的车辆的离线查询方法。

根据本公开实施例的第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于实现如本申请第一方面实施例所述的车辆的离线查询方法。

根据本公开实施例的第五方面，提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如本申请第一方面实施例所述的车辆的离线查询方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

本申请实现了预测用户将进行查询的候选查询信息，在车辆有网时获取候选查询信息的候选查询结果作为离线查询数据存储，当车辆无网时，可根据离线查询数据直接返回目标查询信息对应的结果，加快了响应速度，增强用户体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种车辆的离线查询方法的示例性实施方式的示意图。

图2是根据一示例性实施例示出的一种车辆的离线查询方法的示例性实施方式的示意图。

图3是根据一示例性实施例示出的一种车辆的离线查询方法的总体框架图。

图4是根据一示例性实施例示出的一种车辆的离线查询方法的总体框架图。

图5是根据一示例性实施例示出的一种车辆的离线查询装置的示意图。

图6是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是本申请示出的一种车辆的离线查询方法的示例性实施方式的示意图，如图1所示，该车辆的离线查询方法，包括以下步骤：

S101，获取车辆在预设时长内的历史查询信息，并预测历史查询信息被查询的概率。

本申请中，为了实现车辆的离线查询，需要获取车辆在预设时长内的历史查询信息。

其中，预设时长可根据实际情况进行设定，示例性的，预设时长可以设置为10天，也可以设置为30天。

示例性的，历史查询信息可包括“今天天气如何”、“请播报晨间新闻”等词句。

在获取车辆的历史查询信息之后，预测每一条历史查询信息在未来某个时间段内被查询的概率。比如说可在1月1号晚上10点获取车辆在前100天内的历史查询信息，并预测每一条历史查询信息在1月2号内被查询的概率。

示例性的，在预测历史查询信息被查询的概率时，若设置预设时长为过去100天之内，若在过去100天之内有90天中用户都有查询“今天天气如何”，则可认为在今天，词句“今天天气如何”被用户查询的预测概率为90%。

S102，基于概率，从历史查询信息中获取候选查询信息。

由于在预设时长内的历史查询信息会有很多个，其中，有的历史查询信息为频繁查询，有的历史查询信息为偶尔查询，频繁查询的历史查询信息再次被查询的概率更大。

本申请中，预设一个概率阈值，在上述获得每个历史查询信息被查询的概率之后，将每个历史查询信息被查询的概率与概率阈值进行对比，将大于该概率阈值的概率对应的历史查询信息作为候选查询信息。

示例性的，若“今天天气如何”被用户查询的概率为90%，大于设置的概率阈值60%，则将“今天天气如何”作为候选查询信息。

S103，获取候选查询信息的候选查询结果作为离线查询数据。

在上述获取候选查询信息之后，调用每个候选查询信息各自对应的应用程序编程接口（Application Programming Interface，API）进行候选查询信息的查询，获取每个候选查询信息的查询结果作为候选查询结果，并将候选查询结果作为离线查询数据储存。

示例性的，若“今天天气如何”为其中一个候选查询信息，则调用天气API，获得今日的天气数据，并将该天气数据作为离线查询数据储存。

S104，获取用户输入的目标查询词句。

对用户的输入行为进行监测，获取用户输入的查询词句作为目标查询词句。

示例性的，若监测到用户输入“今天是什么天气”，则将“今天是什么天气”作为目标查询词句。

S105，从候选查询信息中确定与目标查询词句相匹配的目标候选查询信息，并将目标候选查询信息对应的离线查询数据作为目标查询词句的目标查询结果。

获取目标查询词句与每个候选查询信息的相似度，将获得的每个相似度与预设的设定相似度阈值进行比较，将大于设定相似度阈值的相似度作为候选相似度，由于获得的候选相似度可能会有多个，为了更准确的获取目标查询词句的目标查询结果，从候选相似度中选取相似度最大的相似度作为目标相似度，并将目标相似度对应的候选查询信息作为与目标查询词句相匹配的目标候选查询信息，从离线查询数据中确定目标候选查询信息对应的目标离线查询数据，并将目标离线查询数据作为目标查询词句的目标查询结果。

本申请实施例提出了一种车辆的离线查询方法，通过获取车辆在预设时长内的历史查询信息，并预测历史查询信息被查询的概率；基于概率，从历史查询信息中获取候选查询信息；获取候选查询信息的候选查询结果作为离线查询数据；获取用户输入的目标查询词句；从候选查询信息中确定与目标查询词句相匹配的目标候选查询信息，并将目标候选查询信息对应的离线查询数据作为目标查询词句的目标查询结果。本申请实现了预测用户将进行查询的候选查询信息，在车辆有网时获取候选查询信息的候选查询结果作为离线查询数据存储，当车辆无网时，可根据离线查询数据直接返回目标查询信息对应的结果，加快了响应速度，增强用户体验。

进一步的，为了使得所选取的候选查询信息更加准确，本申请中，按照设定的周期对历史查询信息进行周期性更新，并在历史查询信息更新后，基于更新后的历史查询信息，按照上述获取离线查询数据的步骤，更新离线查询数据。示例性的，设定的更新周期可为1天。

图2是本申请示出的一种车辆的离线查询方法的示例性实施方式的示意图，如图2所示，该车辆的离线查询方法，包括以下步骤：

S201，获取车辆在预设时长内的历史查询信息。

获取车辆在预设时长内的历史查询词句，获取历史查询词句的历史查询时刻，获取车辆在历史查询时刻时的历史状态信息和历史位置信息，并将历史查询词句、历史查询时刻、历史状态信息和历史位置信息，确定为历史查询信息。

其中，历史查询信息可包括在预设时长内，在车辆端查询过的历史查询词句。示例性的，历史查询词句可包括“今天天气如何”、“请播报晨间新闻”等词句。

其中，历史查询信息也可包括历史查询词句的历史查询时刻。示例性的，若“今天天气如何”的询问时间为早上八点，则可将早上八点作为一个历史查询时刻。

其中，历史查询信息也可包括车辆在历史查询时刻时的历史状态信息。示例性的，若“今天天气如何”的询问时间为某日早上八点，则可将某日早上八点作为一个历史查询时刻，获取该早上八点时刻时车辆的历史状态信息，比如说，历史状态信息可为车辆可处于驾驶状态、非驾驶状态等。

其中，历史查询信息也可包括车辆在历史查询时刻时的历史位置信息。示例性的，若“今天天气如何”的询问时间为某日早上八点，则可将某日早上八点作为一个历史查询时刻，获取该早上八点时刻时车辆的历史位置信息，比如说，历史位置信息可为A市的B区或者C市的D区等。

S202，将历史查询信息输入预先训练的预测模型中。

将上述获取到的历史查询信息输入预先训练的预测模型中。其中，预测模型可由深度学习模型经预先设置的查询信息样本集和查询信息校验集训练之后获得，主要用于提取历史查询信息的特征信息，并根据特征信息进行预测，输出历史查询信息对应的概率。

S203，由预测模型提取历史查询信息的特征信息，并根据特征信息进行预测，输出历史查询信息对应的概率。

由预测模型提取历史查询信息的特征信息，并根据特征信息进行预测，输出每个历史查询信息对应的被查询的概率。

S204，选取概率大于设定概率阈值的历史查询信息，作为候选查询信息。

本申请中，预设一个概率阈值，在上述获得每个历史查询信息被查询的概率之后，将每个历史查询信息被查询的概率与概率阈值进行对比，将大于该概率阈值的概率对应的历史查询信息作为候选查询信息。

示例性的，若“今天天气如何”被用户查询的概率为90%，大于设置的概率阈值60%，则将“今天天气如何”作为候选查询信息。

S205，向云服务器发送候选查询信息进行查询。

在上述获取候选查询信息之后，调用每个候选查询信息各自对应的云服务器进行候选查询信息的查询。

S206，接收云服务器发送的候选查询信息对应的候选查询结果，作为离线查询数据。

接收云服务器发送的每个候选查询信息的查询结果作为候选查询结果，并将第一查询结果作为离线查询数据储存。

示例性的，若“今天天气如何”为其中一个候选查询信息，则调用天气云服务器，获得今日的天气数据，并将该天气数据作为离线查询数据储存。

S207，获取用户输入的目标查询词句。

对用户的输入行为进行监测，获取用户输入的查询词句作为目标查询词句。

示例性的，若监测到用户输入“今天是什么天气”，则将“今天是什么天气”作为目标查询词句。

S208，从候选查询信息中确定与目标查询词句相匹配的目标候选查询信息，并将目标候选查询信息对应的离线查询数据作为目标查询词句的目标查询结果。

获取目标查询词句与每个候选查询信息的相似度，将获得的每个相似度与预设的设定相似度阈值进行比较，将大于设定相似度阈值的相似度作为候选相似度，由于获得的候选相似度可能会有多个，为了更准确的获取目标查询词句的目标查询结果，从候选相似度中选取相似度最大的相似度作为目标相似度，并将目标相似度对应的候选查询信息作为与目标查询词句相匹配的目标候选查询信息，从离线查询数据中确定目标候选查询信息对应的目标离线查询数据，并将目标离线查询数据作为目标查询词句的目标查询结果。

示例性的，若目标查询词句为“今天是什么天气”，则可获取“今天是什么天气”与每个候选查询信息的相似度，若有一条候选查询信息为“今天天气怎么样”，而“今天是什么天气”与“今天天气怎么样”的相似度最大且相似度大于预设的设定相似度阈值，则将“今天天气怎么样”作为目标候选查询信息，从离线查询数据中确定“今天天气怎么样”对应的目标离线查询数据，并将目标离线查询数据作为“今天是什么天气”的目标查询结果。

本申请实现了预测用户将进行查询的候选查询信息，在车辆有网时获取候选查询信息的候选查询结果作为离线查询数据存储，当车辆无网时，可根据离线查询数据直接返回目标查询信息对应的结果，加快了响应速度，增强用户体验。此外，本申请的另一个优势是可以将从历史查询信息中获取候选查询信息放在离线，减少了对用户信息的利用，只上传预测结果，而不会上传用户信息。

进一步的，若未获取到与目标查询词句的相似度大于设定相似度阈值的候选查询信息，则识别车辆的网络状态；若车辆处于连网状态，根据目标查询词句确定需要调用的目标应用程序接口API；通过目标API，将目标查询词句发送给目标API对应的服务器进行查询；接收目标API对应的服务器反馈的目标查询结果。若车辆处于未连网状态，则可自动多次尝试，直至车辆处于连网状态，以获取目标查询词句的目标查询结果。或者，若车辆处于未连网状态，则可提醒用户稍后再次尝试。

图3是本申请示出的一种车辆的离线查询方法的总体框架图，如图3所示，该车辆的离线查询方法，包括以下步骤：

获取车辆在预设时长内的历史查询词句，获取历史查询词句的历史查询时刻，获取车辆在历史查询时刻时的历史状态信息和历史位置信息，并将历史查询词句、历史查询时刻、历史状态信息和历史位置信息，确定为历史查询信息。

将上述获取到的历史查询信息输入预先训练的预测模型中。由预测模型提取历史查询信息的特征信息，并根据特征信息进行查询预测，输出每个历史查询信息对应的被查询概率。

本申请中，预设一个概率阈值，在上述获得每个历史查询信息被查询的概率之后，将每个历史查询信息被查询的概率与概率阈值进行对比，将大于该概率阈值的概率对应的历史查询信息作为候选查询信息。

在上述获取候选查询信息之后，调用每个候选查询信息各自对应的云服务器进行候选查询信息的查询。接收云服务器发送的每个候选查询信息的查询结果作为候选查询结果，并将候选查询结果作为离线查询数据储存。

对用户的输入行为进行监测，获取用户输入的查询词句作为目标查询词句。获取目标查询词句与每个候选查询信息的相似度，将获得的每个相似度与预设的设定相似度阈值进行比较，将大于设定相似度阈值的相似度作为候选相似度，由于获得的候选相似度可能会有多个，为了更准确的获取目标查询词句的目标查询结果，从候选相似度中选取相似度最大的相似度作为目标相似度，并将目标相似度对应的候选查询信息作为与目标查询词句相匹配的目标候选查询信息，从离线查询数据中确定目标候选查询信息对应的目标离线查询数据，并将目标离线查询数据作为目标查询词句的目标查询结果。

本申请实施例实现了预测用户将进行查询的候选查询信息，在车辆有网时获取候选查询信息的候选查询结果作为离线查询数据存储，当车辆无网时，可根据离线查询数据直接返回目标查询信息对应的结果，加快了响应速度，增强用户体验。

图4是本申请示出的一种车辆的离线查询方法的总体框架图，如图4所示，该车辆的离线查询方法，包括以下步骤：

S401，获取车辆在预设时长内的历史查询词句。

S402，获取历史查询词句的历史查询时刻。

S403，获取车辆在历史查询时刻时的历史状态信息和历史位置信息。

S404，将历史查询词句、历史查询时刻、历史状态信息和历史位置信息，确定为历史查询信息。

关于步骤S401~ S404的具体实现方式，可参照上述实施例中相关部分的具体介绍，在此不再进行赘述。

S405，将历史查询信息输入预先训练的预测模型中。

S406，由预测模型提取历史查询信息的特征信息，并根据特征信息进行预测，输出历史查询信息对应的概率。

S407，选取概率大于设定概率阈值的历史查询信息，作为候选查询信息。

关于步骤S405~ S407的具体实现方式，可参照上述实施例中相关部分的具体介绍，在此不再进行赘述。

S408，向云服务器发送候选查询信息进行查询。

S409，接收云服务器发送的候选查询信息对应的候选查询结果，作为离线查询数据。

关于步骤S408~ S409的具体实现方式，可参照上述实施例中相关部分的具体介绍，在此不再进行赘述。

S410，获取用户输入的目标查询词句。

S411，获取目标查询词句与每个候选查询信息的相似度。

S412，获取大于设定相似度阈值的相似度作为候选相似度。

S413，从候选相似度中选取相似度最大的相似度作为目标相似度，并将目标相似度对应的候选查询信息作为与目标查询词句相匹配的目标候选查询信息。

S414，从离线查询数据中确定目标候选查询信息对应的目标离线查询数据，并将目标离线查询数据作为目标查询词句的目标查询结果。

关于步骤S410~ S414的具体实现方式，可参照上述实施例中相关部分的具体介绍，在此不再进行赘述。

本申请实施例提出了一种车辆的离线查询方法，通过获取车辆在预设时长内的历史查询信息，并预测历史查询信息被查询的概率；基于概率，从历史查询信息中获取候选查询信息；获取候选查询信息的候选查询结果作为离线查询数据；获取用户输入的目标查询词句；从候选查询信息中确定与目标查询词句相匹配的目标候选查询信息，并将目标候选查询信息对应的离线查询数据作为目标查询词句的目标查询结果。本申请实现了预测用户将进行查询的候选查询信息，在车辆有网时获取候选查询信息的候选查询结果作为离线查询数据存储，当车辆无网时，可根据离线查询数据直接返回目标查询信息对应的结果，加快了响应速度，增强用户体验。

图5是本申请示出的一种车辆的离线查询装置的示意图，如图5所示，该车辆的离线查询装置500，包括概率预测模块501、第一获取模块502、第一查询模块503、第二获取模块504和第二查询模块505，其中：

概率预测模块501，用于获取车辆在预设时长内的历史查询信息，并预测历史查询信息被查询的概率；

第一获取模块502，用于基于概率，从历史查询信息中获取候选查询信息；

第一查询模块503，用于获取候选查询信息的候选查询结果作为离线查询数据；

第二获取模块504，用于获取用户输入的目标查询词句；

第二查询模块505，用于从候选查询信息中确定与目标查询词句相匹配的目标候选查询信息，并将目标候选查询信息对应的离线查询数据作为目标查询词句的目标查询结果。

本申请提出的车辆的离线查询装置，包括：概率预测模块，用于获取车辆在预设时长内的历史查询信息，并预测历史查询信息被查询的概率；第一获取模块，用于基于概率，从历史查询信息中获取候选查询信息；第一查询模块，用于获取候选查询信息的候选查询结果作为离线查询数据；第二获取模块，用于获取用户输入的目标查询词句；第二查询模块，用于从候选查询信息中确定与目标查询词句相匹配的目标候选查询信息，并将目标候选查询信息对应的离线查询数据作为目标查询词句的目标查询结果。本装置实现了预测用户将进行查询的候选查询信息，在车辆有网时获取候选查询信息的候选查询结果作为离线查询数据存储，当车辆无网时，可根据离线查询数据直接返回目标查询信息对应的结果，加快了响应速度，增强用户体验。

进一步的，第一获取模块502，还用于：选取概率大于设定概率阈值的历史查询信息，作为候选查询信息。

进一步的，第一查询模块503，还用于：向云服务器发送候选查询信息进行查询；接收云服务器发送的候选查询信息对应的候选查询结果。

进一步的，概率预测模块501，还用于：获取车辆在预设时长内的历史查询词句；获取历史查询词句的历史查询时刻；获取车辆在历史查询时刻时的历史状态信息和历史位置信息；将历史查询词句、历史查询时刻、历史状态信息和历史位置信息，确定为历史查询信息。

进一步的，概率预测模块501，还用于：将历史查询信息输入预先训练的预测模型中；由预测模型提取历史查询信息的特征信息，并根据特征信息进行预测，输出历史查询信息对应的概率。

进一步的，车辆的离线查询装置500还包括：第一更新模块506，用于按照设定的周期对历史查询信息进行周期性更新；第二更新模块507，用于基于更新后的历史查询信息，更新离线查询数据。

进一步的，第二查询模块505，还用于：获取目标查询词句与每个候选查询信息的相似度；获取大于设定相似度阈值的相似度作为候选相似度；从候选相似度中选取相似度最大的相似度作为目标相似度，并将目标相似度对应的候选查询信息作为与目标查询词句相匹配的目标候选查询信息；从离线查询数据中确定目标候选查询信息对应的目标离线查询数据，并将目标离线查询数据作为目标查询词句的目标查询结果。

进一步的，第二查询模块505，还用于：若未获取到与目标查询词句的相似度大于设定相似度阈值的候选查询信息，识别车辆的网络状态；若车辆处于连网状态，根据目标查询词句确定需要调用的目标应用程序接口API；通过目标API，将目标查询词句发送给目标API对应的服务器进行查询；接收目标API对应的服务器反馈的目标查询结果。

图6是根据一示例性实施例示出的一种电子设备600的框图。

如图6所示，上述电子设备600包括：

存储器601及处理器602，连接不同组件（包括存储器601和处理器602）的总线603，存储器601存储有计算机程序，当处理器602执行程序时实现本公开实施例的车辆的离线查询方法。

总线603表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（ISA）总线，微通道体系结构（MAC）总线，增强型ISA总线、视频电子标准协会（VESA）局域总线以及外围组件互连（PCI）总线。

电子设备600典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备600访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器601还可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（RAM）604和/或高速缓存存储器605。电子设备600可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统606可以用于读写不可移动的、非易失性磁介质（图6未显示，通常称为“硬盘驱动器”）。尽管图6中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD-ROM, DVD-ROM或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线603相连。存储器601可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本公开各实施例的功能。

具有一组（至少一个）程序模块607的程序/实用工具608，可以存储在例如存储器601中，这样的程序模块607包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块607通常执行本公开所描述的实施例中的功能和/或方法。

电子设备600也可以与一个或多个外部设备609（例如键盘、指向设备、显示器610等）通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口611进行。并且，电子设备600还可以通过网络适配器612与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图6所示，网络适配器612通过总线603与电子设备600的其它模块通信。应当明白，尽管图6中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器602通过运行存储在存储器601中的程序，从而执行各种功能应用以及数据处理。

需要说明的是，本实施例的电子设备的实施过程和技术原理参见前述对本公开实施例的车辆的离线查询方法的解释说明，此处不再赘述。

为了实现上述实施例，本申请实施例还提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机实现如上述实施例所示的车辆的离线查询方法。可选的，非瞬时计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。

为了实现上述实施例，本申请实施例还提出一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上述实施例所示的车辆的离线查询方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (18)

1.一种车辆的离线查询方法，其特征在于，包括：

获取车辆在预设时长内的历史查询信息，并预测所述历史查询信息被查询的概率；

基于所述概率，从所述历史查询信息中获取候选查询信息；

获取所述候选查询信息的候选查询结果作为离线查询数据；

获取用户输入的目标查询词句；

从所述候选查询信息中确定与所述目标查询词句相匹配的目标候选查询信息，并将所述目标候选查询信息对应的所述离线查询数据作为所述目标查询词句的目标查询结果。

2.根据权利要求1所述的方法，其特征在于，所述基于所述概率，从所述历史查询信息中获取候选查询信息，包括：

选取所述概率大于设定概率阈值的历史查询信息，作为所述候选查询信息。

3.根据权利要求1所述的方法，其特征在于，所述获取所述候选查询信息的候选查询结果，包括：

向云服务器发送所述候选查询信息进行查询；

接收所述云服务器发送的所述候选查询信息对应的所述候选查询结果。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述获取车辆在预设时长内的历史查询信息，包括：

获取所述车辆在所述预设时长内的历史查询词句；

获取所述历史查询词句的历史查询时刻；

获取所述车辆在所述历史查询时刻时的历史状态信息和历史位置信息；

将所述历史查询词句、所述历史查询时刻、所述历史状态信息和所述历史位置信息，确定为所述历史查询信息。

5.根据权利要求4所述的方法，其特征在于，所述预测所述历史查询信息被查询的概率，包括：

将所述历史查询信息输入预先训练的预测模型中；

由所述预测模型提取所述历史查询信息的特征信息，并根据所述特征信息进行预测，输出所述历史查询信息对应的所述概率。

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

按照设定的周期对所述历史查询信息进行周期性更新；

基于更新后的历史查询信息，更新所述离线查询数据。

7.根据权利要求1所述的方法，其特征在于，所述从所述候选查询信息中确定与所述目标查询词句相匹配的目标候选查询信息，并将所述目标候选查询信息对应的所述离线查询数据作为所述目标查询词句的目标查询结果，包括：

获取所述目标查询词句与每个所述候选查询信息的相似度；

获取大于设定相似度阈值的相似度作为候选相似度；

从所述候选相似度中选取相似度最大的相似度作为目标相似度，并将所述目标相似度对应的所述候选查询信息作为与所述目标查询词句相匹配的目标候选查询信息；

从所述离线查询数据中确定所述目标候选查询信息对应的目标离线查询数据，并将所述目标离线查询数据作为所述目标查询词句的目标查询结果。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

若未获取到与所述目标查询词句的相似度大于设定相似度阈值的候选查询信息，识别所述车辆的网络状态；

若所述车辆处于连网状态，根据所述目标查询词句确定需要调用的目标应用程序接口API；

通过所述目标API，将所述目标查询词句发送给所述目标API对应的服务器进行查询；

接收所述目标API对应的服务器反馈的所述目标查询结果。

9.一种车辆的离线查询装置，其特征在于，包括：

概率预测模块，用于获取车辆在预设时长内的历史查询信息，并预测所述历史查询信息被查询的概率；

第一获取模块，用于基于所述概率，从所述历史查询信息中获取候选查询信息；

第一查询模块，用于获取所述候选查询信息的候选查询结果作为离线查询数据；

第二获取模块，用于获取用户输入的目标查询词句；

第二查询模块，用于从所述候选查询信息中确定与所述目标查询词句相匹配的目标候选查询信息，并将所述目标候选查询信息对应的所述离线查询数据作为所述目标查询词句的目标查询结果。

10.根据权利要求9所述的装置，其特征在于，所述第一获取模块，还用于：

选取所述概率大于设定概率阈值的历史查询信息，作为所述候选查询信息。

11.根据权利要求9所述的装置，其特征在于，所述第一查询模块，还用于：

向云服务器发送所述候选查询信息进行查询；

接收所述云服务器发送的所述候选查询信息对应的所述候选查询结果。

12.根据权利要求9-11中任一项所述的装置，其特征在于，所述概率预测模块，还用于：

获取所述车辆在所述预设时长内的历史查询词句；

获取所述历史查询词句的历史查询时刻；

获取所述车辆在所述历史查询时刻时的历史状态信息和历史位置信息；

将所述历史查询词句、所述历史查询时刻、所述历史状态信息和所述历史位置信息，确定为所述历史查询信息。

13.根据权利要求12所述的装置，其特征在于，所述概率预测模块，还用于：

将所述历史查询信息输入预先训练的预测模型中；

由所述预测模型提取所述历史查询信息的特征信息，并根据所述特征信息进行预测，输出所述历史查询信息对应的所述概率。

14.根据权利要求12所述的装置，其特征在于，所述装置还包括：

第一更新模块，用于按照设定的周期对所述历史查询信息进行周期性更新；

第二更新模块，用于基于更新后的历史查询信息，更新所述离线查询数据。

15.根据权利要求9所述的装置，其特征在于，所述第二查询模块，还用于：

获取所述目标查询词句与每个所述候选查询信息的相似度；

获取大于设定相似度阈值的相似度作为候选相似度；

从所述候选相似度中选取相似度最大的相似度作为目标相似度，并将所述目标相似度对应的所述候选查询信息作为与所述目标查询词句相匹配的目标候选查询信息；

从所述离线查询数据中确定所述目标候选查询信息对应的目标离线查询数据，并将所述目标离线查询数据作为所述目标查询词句的目标查询结果。

16.根据权利要求15所述的装置，其特征在于，所述第二查询模块，还用于：

若未获取到与所述目标查询词句的相似度大于设定相似度阈值的候选查询信息，识别所述车辆的网络状态；

若所述车辆处于连网状态，根据所述目标查询词句确定需要调用的目标应用程序接口API；

通过所述目标API，将所述目标查询词句发送给所述目标API对应的服务器进行查询；

接收所述目标API对应的服务器反馈的所述目标查询结果。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。

Images