基于停车难易度的停车场空闲状况预测方法及系统与流程

本发明涉及停车场技术管理领域，特别是涉及一种基于停车难易度的停车场空闲状况预测方法及系统。

背景技术：

随着城市车辆保有量的不断增加，城市交通的发展瓶颈不仅体现在道路交通的拥挤上，也体现在停车场管理效率大大滞后于社会发展的需要上，落后的停车场管理技术给停车场管理方、使用者，甚至周边道路的通行能力都带来了极大的不便。

停车场管理效率的一个重要方向，是对停车场空闲状况的准确估计和预测。目前，在对停车场的空闲状况进行预测时，通常是实时地对停车场的各停车位是否停有车辆进行监测，或者是由停车场的保安等工作人员主观地估计和汇报停车场的空闲状况。实时对停车场的各停车位是否停有车辆进行监测的方式，需要部署和维护大量的监测设备，部署和维护检测设备的成本非常高，而由保安等工作人员估计和汇报的方式，人工成本高，且受主观因素影响过大，精确度低。

技术实现要素：

基于此，本发明实施例的目的在于提供停车场空闲状况预测方法及一种停车场空闲状况预测系统，其可以准确地预测停车场的空闲状况，精确度高且成本低。

为达到上述目的，本发明实施例采用以下技术方案：

一种停车场空闲状况预测方法，包括步骤：

获取当前停车场当前时间的当前停车难易度，所述当前停车难易度根据所述当前停车场的当前寻停车位时间确定，当前寻停车位时间根据所述当前时间车辆在所述当前停车场的寻停车位时间确定，所述寻停车位时间为车辆进入所述当前停车场的进场时间与所述车辆在所述当前停车场完成停车的停车时间之间的时间差；

根据所述当前停车场的当前停车难易度，确定与所述当前停车难易度对应的所述当前停车场当前时间的空闲状况。

一种停车场空闲状况预测系统，包括：

当前停车难易度获取模块，用于获取当前停车场当前时间的当前停车难易度，所述当前停车难易度根据所述当前停车场的当前寻停车位时间确定，当前寻停车位时间根据所述当前时间车辆在所述当前停车场的寻停车位时间确定，所述寻停车位时间为车辆进入所述当前停车场的进场时间与所述车辆在所述当前停车场完成停车的停车时间之间的时间差；

空闲状况确定模块，用于根据所述当前停车场的当前停车难易度，确定与所述当前停车难易度对应的所述当前停车场当前时间的空闲状况。

根据如上所述的本发明实施例的方案，其是通过获取当前停车场当前时间的当前停车难易度，并基于当前停车场的当前停车难易度确定当前停车场当前时间的空闲状况，且当前停车场的当前停车难易度与当前时间车辆进入当前停车场至完成停车的寻停车位时间有关，由于一般情况下，停车场空闲时车辆进入停车场后可以较为快速地完成停车，而在停车场不够空闲的情况下，车辆进入停车场后需要花费较多的时间完成停车过程，从而可以较佳的反映出当前停车场的空闲状况，其不需要部署大量的检测设备，也无需过多的人工参与，即可以准确地预测停车场的空闲状况，精确度高且成本低。

附图说明

图1是一个实施例中的停车场空闲状况预测方法的流程示意图；

图2是一个具体示例中的停车场空闲状况预测方法的流程示意图；

图3是另一个具体示例中的停车场空闲状况预测方法的流程示意图；

图4是一个实施例中的停车场空闲状况预测系统的结构示意图；

图5是一个具体示例中的停车场空闲状况预测系统的结构示意图；

图6是另一个具体示例中的停车场空闲状况预测系统的结构示意图；

图7是另一个具体示例中的停车场空闲状况预测系统的结构示意图；

图8是一个具体应用示例中的停车场空闲状况预测系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

图1中示出了一个实施例中的停车场空闲状况预测方法的流程示意图。如图1所示，该实施例中的停车场空闲状况预测方法包括：

步骤S101：获取当前停车场当前时间的当前停车难易度，所述当前停车难易度根据所述当前停车场的当前寻停车位时间确定，所述当前寻停车位时间根据所述当前时间车辆在所述当前停车场的寻停车位时间确定，所述寻停车位时间为车辆进入所述当前停车场的进场时间与所述车辆在所述当前停车场完成停车的停车时间之间的时间差；

步骤S102：根据所述当前停车场的当前停车难易度，确定与所述当前停车难易度对应的所述当前停车场当前时间的空闲状况。

根据如上所述的本发明实施例的方案，其是通过获取当前停车场当前时间的当前停车难易度，并基于当前停车场的当前停车难易度确定当前停车场当前时间的空闲状况，且当前停车场的当前停车难易度与当前时间车辆进入当前停车场至完成停车的寻停车位时间有关，由于一般情况下，停车场空闲时车辆进入停车场后可以较为快速地完成停车，而在停车场不够空闲的情况下，车辆进入停车场后需要花费较多的时间完成停车过程，从而可以较佳地反映出当前停车场的空闲状况，其不需要部署大量的检测设备，也无需过多的人工参与，即可以准确地预测停车场的空闲状况，精确度高且成本低。

上述当前停车场的当前寻停车位时间，在一个具体示例中，可以是与当前时间最邻近的时间内完成停车的一个车辆的寻停车位时间。出于准确性和合理性的考虑，在另一个具体示例中，上述当前停车场的当前寻停车位时间，可以为所述当前时间的相邻预设时间段内在所述当前停车场内完成停车的各车辆的寻停车位时间的平均值或者加权平均值。

在一个具体示例中，在上述步骤S101的获取当前停车场当前时间的当前停车难易度之前，还可以包括步骤：

获取所述当前停车场的各任意时间的停车难易度；

获取与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况。

其中，获取的所述当前停车场的各任意时间的停车难易度、所述当前停车场的各所述任意时间的空闲状况，可以存入数据库，以供后续使用。

在上述步骤S102中，可以基于上述获取的当前停车场的各任意时间的停车难易度、当前停车场的各所述任意时间的空闲状况，确定与所述当前停车难易度对应的所述当前停车场当前时间的空闲状况。基于考虑因素的不同，可以采用不同的方式进行。

在其中一种具体的应用示例中，可以是根据上述获取的所述当前停车场的各任意时间的停车难易度，与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况，将所述当前停车难易度与所述当前停车场的各所述任意时间的停车难易度进行匹配，获得与所述当前停车难易度匹配度最高的一个任意时刻的停车难易度；然后将所述匹配度最高的一个任意时刻的停车难易度对应的空闲状况，确定为所述当前停车场当前时间的空闲状况。

在另一个具体的应用示例中，可以是根据上述获取的所述当前停车场的各任意时间的停车难易度，与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况，确定上述当前停车场的停车难易度与空闲状况之间的函数关系，然后在上述步骤S102中，根据当前停车场的停车难易度与空闲状况之间的函数关系，确定与所述当前停车难易度对应的所述当前停车场当前时间的空闲状况。

上述当前停车场的停车难易度与空闲状况之间的函数关系，基于不同的考虑因素，可以采用不同的方式进行。

其中一种方式，可以是将所述当前停车场的各任意时间的停车难易度作为预设神经网络的输入，将与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况分别作为所述预设神经网络的输出，对所述预设神经网络进行训练；然后将所述训练得到的神经网络作为所述当前停车场的停车难易度与空闲状况之间的函数关系。

另一种方式，可以是根据所述当前停车场的各任意时间的停车难易度、所述当前停车场的各所述任意时间的空闲状况，得到各所述任意时间的停车难易度与空闲状况之间的关联数据对；然后对各所述关联数据对进行曲线拟合或曲线插值，并将曲线拟合或曲线插值得到的函数关系作为所述当前停车场的停车难易度与空闲状况之间的函数关系。

本领域技术人员可以理解，还可以采用其他的方式，来根据所述当前停车场的各任意时间的停车难易度、所述当前停车场的各所述任意时间的空闲状况，得到所述当前停车场的停车难易度与空闲状况之间的函数关系，只要得到的该函数关系能够符合各任意时间的停车难易度与各任意时间的空闲状况之间的关系即可。

以下结合上述两种确定与所述当前停车难易度对应的所述当前停车场当前时间的空闲状况的其中两种不同的方式，就其中的具体应用示例进行详细举例说明。本领域技术人员可以理解，这里的应用示例仅仅是一种示例性说明，并不用以对具体的技术方案做详细限定。

图2中示出了一个具体示例中的停车场空闲状况预测方法的流程示意图。该具体示例中是以直接将当前停车难易度与各任意时间的停车难易度进行匹配，以确定当前停车场当前时间的空闲状况为例进行说明。

如图2所示，该具体示例中的停车场空闲状况预测方法包括如下过程：

步骤S201：获取当前停车场的各任意时间的停车难易度。

当前停车场的一个任意时间的停车难易度，可以根据该任意时间的当前停车场的寻停车位时间确定。该任意时间的当前停车场的寻停车位时间，可以是与该任意时间最邻近的时间内完成了停车的一个车辆的寻停车位时间。出于准确性和合理性的考虑，该任意时间的当前停车场的寻停车位时间，也可以为该任意时间的相邻预设时间段内在当前停车场内完成停车的各车辆的寻停车位时间的平均值或者加权平均值。

可以理解的是，上述该任意时间的相邻预设时间段，指的是在该任意时间之前的相邻预设时间段，且该相邻预设时间段可以包括该任意时间。预设时间段的时间长度，可以是结合实际需要进行设定。

如上所处，车辆进入当前停车场到找到车位完成停车所需的时间，为该车辆在当前停车场的寻停车位时间，该车辆在该当前停车场的寻停车位时间的长短，反映了该车辆在当前停车场的停车难易度。在当前停车场最近完成停车的多个车辆的寻停车位时间的平均值或者加权平均值，反映了当前停车场在该时间的停车难易度。

在一个具体示例中，可以通过预设函数F来表征当前停车场的停车难易度，例如：当前停车场的一个任意时间的停车难易度＝F(该任意时间的相邻预设时间段内在当前停车场内完成停车的各车辆的寻停车位时间的平均值或者加权平均值)。预设函数F的具体的函数表现形式，可以结合实际应用需要进行设定。从而通过预设函数F，根据在一个任意时间的相邻预设时间段内在当前停车场内完成停车的各车辆的寻停车位时间的平均值或者加权平均值，可以确定当前停车场在该任意时间的停车难易度。重复上述过程，可以得到当前停车场在各个任意时间的停车难易度。

在确定车辆的寻停车位时间时，车辆进入当前停车场到找到车位完成停车所需的时间，可以通过当前停车场的已有设备监测到。例如，车辆在进入当前停车场时，可以通过摄像头对车辆进行识别，或者车辆进入时的刷卡或者取卡操作，而获知车辆进入了当前停车场。当车辆在当前停车场找到车位并停好时，可以通过当前停车场中设置的摄像头或地磁进行感知，进而计算出车辆进入当前停车场的时间和车辆停好的时间的时间差，得到车辆在该当前停车场的寻停车位时间。由于这种方式利用的是停车场中已有的设备，无需再部署和设置大量的检测设备，也无需过多的人工参与，成本低廉。

另外一种确定车辆的寻停车位时间的方式，可以不局限于停车场是否安装有监测设备，其可以在车主的手机中安装相关的APP(Application，第三方应用程序)，车主在进入当前停车场时，车主在其手机APP进行登记，当车主在当前停车场找到车位将车辆挺好时，再在其手机APP进行登记，通过计算两次登记的时间差，即可得到车辆在该当前停车场的寻停车位时间。

当然，本领域技术人员可以理解，可以不局限于上述方式，还可以采用其他的方式来确定车辆的寻停车位时间，本发明实施例不对具体的确定寻停车位的时间做详细展开叙述。

步骤S202：获取与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况。

当前停车场的任意时间的空闲状况，在一个具体示例中，可以用百分比来表示，例如，在一个具体应用实例中，可以用0％表示完全空闲，用50％表示一半空闲，用100％表示零空闲。即当前停车场的某个任意时间的空闲状况＝当前停车场的该任意时间的空闲百分比＝该任意时间的当前停车场的空闲停车位数/该任意时间的当前停车场的总停车位数。

在另一个具体示例中，当前停车场的任意时间的空闲状况，也可以用“非常空闲”、“比较空闲”、“不太空闲”等预设状态来表示。为了便于后面的函数计算，这些预设状态也可以对应为数字编码，例如“非常空闲”对应的数字编码可以是1、“比较空闲”对应的数字编码可以是2、“不太空闲”对应的数字编码可以是3。例如，在一个具体应用实例中，设定1/2以上停车位空闲，则为“非常空闲”状态；设定1/4至1/2停车位空闲，则为“比较空闲”状态；设定1/4以下停车位空闲，则为“不太空闲”状态。

有多少个停车位空闲，即当前停车场的某个任意时间的空闲状况，可以采用任何可能的方式进行。在一个具体应用示例中，可以通过人工的方式去数，也可以通过监测设备进行监测，例如通过摄像头识别或地磁设备进行检测。需要说明的是，尽管无论是人工统计的方式还是检测设备进行检测的方式，看起来都需要花费一定的监测成本，但是由于只是在实际投入使用前的一次性短期采集，因此该成本实际上是一次性的而且是短期的，相对于传统的长期人工统计的方式或者通过设备监测的方式而言，成本还是会较低。

步骤S203：将获取的所述当前停车场的各任意时间的停车难易度、所述当前停车场的各所述任意时间的空闲状况存储在数据库。

上述获取的当前停车场的各任意时间的停车难易度、当前停车场的各任意时间的空闲状况，可以存储在数据库，以供后续在实际投入使用后据此预测当前停车场的空闲状况。其中，该数据库的具体位置，可以是设置在本地，也可以是设置在云端的云端数据库，本发明实施例不对数据库的具体位置进行限定。

步骤S204：获取当前停车场当前时间的当前停车难易度，所述当前停车难易度根据所述当前停车场的当前寻停车位时间确定，所述当前寻停车位时间根据所述当前时间车辆在所述当前停车场的寻停车位时间确定，所述寻停车位时间为车辆进入所述当前停车场的进场时间与所述车辆在所述当前停车场完成停车的停车时间之间的时间差。

上述获取的当前停车场当前时间的当前停车难易度，也可以存储在上述数据库中，以便后续进行使用，其可以据此实现对数据库中数据的更新。

上述获取当前停车场当前时间的当前停车难易度的方式，与上述获取当前停车场的一个任意时间的停车难易度的方式相同，在此不再展开赘述。

步骤S205：根据上述获取的所述当前停车场的各任意时间的停车难易度，与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况，将当前停车难易度与当前停车场的各所述任意时间的停车难易度进行匹配，获得与当前停车难易度匹配度最高的一个任意时刻的停车难易度。

其中，这里的匹配度最高，可以结合实际需要进行设定，例如，在一个具体示例中，可以是将与当前停车难易度之间的差值最小的一个任意时刻的停车难易度，作为匹配度最高的停车难易度。

步骤S206：将所述匹配度最高的一个任意时刻的停车难易度对应的空闲状况，确定为所述当前停车场当前时间的空闲状况。

图3中示出了另一个具体示例中的停车场空闲状况预测方法的流程示意图。该具体示例中是以先确定当前停车场的停车难易度与空闲状况之间的函数关系，然后基于该函数关系确定当前停车场当前时间的空闲状况为例进行说明。

如图3所示，该具体示例中的停车场空闲状况预测方法包括：

步骤S301：获取当前停车场的各任意时间的停车难易度。具体的获取当前停车场的各任意时间的停车难易度的方式，可以与上述步骤S201中的相同。

步骤S302：获取与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况。具体的获取当前停车场的各任意时间的空闲状况的过程，可以采用与上述步骤S202中相同的方式进行。

步骤S303：根据上述获取的所述当前停车场的各任意时间的停车难易度，与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况，确定上述当前停车场的停车难易度与空闲状况之间的函数关系。

上述获取的当前停车场的各任意时间的停车难易度、当前停车场的各任意时间的空闲状况，可以存储在数据库，以供上述步骤S303中读取出并确定函数关系。其中，该数据库的具体位置，可以是设置在本地，也可以是设置在云端的云端数据库，本发明实施例不对数据库的具体位置进行限定。

基于上述确定的当前停车场的停车难易度与空闲状况之间的函数关系，假设该函数关系记为G，则有：当前停车场的一个任意时间的空闲状况＝G(该当前停车场的该任意时间的停车难易度)。

而上述函数关系G，可以结合实际需要进行设定。

其中一种方式，可以是将所述当前停车场的各任意时间的停车难易度作为预设神经网络的输入，将与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况分别作为所述预设神经网络的输出，对所述预设神经网络进行训练；然后将所述训练得到的神经网络作为所述当前停车场的停车难易度与空闲状况之间的函数关系G。其中，训练得到的神经网络的输入对应所述函数关系G的输入，训练得到的神经网络的输出对应所述函数关系G的输出。

另一种方式，可以是根据所述当前停车场的各任意时间的停车难易度、所述当前停车场的各所述任意时间的空闲状况，得到各所述任意时间的停车难易度与空闲状况之间的关联数据对；然后对各所述关联数据对进行曲线拟合或曲线插值，并将曲线拟合或曲线插值得到的函数关系作为所述当前停车场的停车难易度与空闲状况之间的函数关系。具体的拟合和插值的方式可以采用目前已有以及以后可能出现的任何方式进行。

本领域技术人员可以理解，还可以采用其他的方式，来根据所述当前停车场的各任意时间的停车难易度、所述当前停车场的各所述任意时间的空闲状况，来得到所述当前停车场的停车难易度与空闲状况之间的函数关系，只要得到的该函数关系能够符合各任意时间的停车难易度与各任意时间的空闲状况之间的关系即可。

步骤S304：获取当前停车场当前时间的当前停车难易度，所述当前停车难易度根据所述当前停车场的当前寻停车位时间确定，所述当前寻停车位时间根据所述当前时间车辆在所述当前停车场的寻停车位时间确定，所述寻停车位时间为车辆进入所述当前停车场的进场时间与所述车辆在所述当前停车场完成停车的停车时间之间的时间差。

上述获取的当前停车场当前时间的当前停车难易度，也可以存储在上述数据库中，以便后续进行使用，其可以据此实现对数据库中数据的更新。

上述获取当前停车场当前时间的当前停车难易度的方式，与上述获取当前停车场的一个任意时间的停车难易度的方式相同，在此不再展开赘述。

步骤S305：根据当前停车场的停车难易度与空闲状况之间的函数关系，确定与所述当前停车难易度对应的所述当前停车场当前时间的空闲状况。

在一个具体应用示例中，可以是将当前停车场当前时间的当前停车难易度，作为所述函数关系G的输入，输入到函数关系G中，然后将函数关系G基于该输入得到的值，作为当前停车场当前时间的空闲状况。

基于与上述方法相同的思想，本发明实施例还提供一种停车场空闲状况预测系统，图4中示出了一个实施例中的停车场空闲状况预测系统的结构示意图。

如图4所示，该实施例中的停车场空闲状况预测系统包括：

当前停车难易度获取模块401，用于获取当前停车场当前时间的当前停车难易度，所述当前停车难易度根据所述当前停车场的当前寻停车位时间确定，所述当前寻停车位时间根据所述当前时间车辆在所述当前停车场的寻停车位时间确定，所述寻停车位时间为车辆进入所述当前停车场的进场时间与所述车辆在所述当前停车场完成停车的停车时间之间的时间差；

空闲状况确定模块402，用于根据所述当前停车场的当前停车难易度，确定与所述当前停车难易度对应的所述当前停车场当前时间的空闲状况。

根据如上所述的实施例的方案，其是通过获取当前停车场当前时间的当前停车难易度，并基于当前停车场的当前停车难易度确定当前停车场当前时间的空闲状况，且当前停车场的当前停车难易度与当前时间车辆进入当前停车场至完成停车的寻停车位时间有关，由于一般情况下，停车场空闲时车辆进入停车场后可以较为快速地完成停车，而在停车场不够空闲的情况下，车辆进入停车场后需要花费较多的时间完成停车过程，从而可以较佳的反映出当前停车场的空闲状况，其不需要部署大量的检测设备，也无需过多的人工参与，即可以准确地预测停车场的空闲状况，精确度高且成本低。

上述当前停车场的当前寻停车位时间，在一个具体示例中，可以是与当前时间最邻近的时间内完成停车的一个车辆的寻停车位时间。出于准确性和合理性的考虑，在另一个具体示例中，上述当前停车场的当前寻停车位时间，可以为所述当前时间的相邻预设时间段内在所述当前停车场内完成停车的各车辆的寻停车位时间的平均值。可以理解的是，该当前时间的相邻预设时间段，指的是在该当前时间之前的相邻预设时间段，且该相邻预设时间段可以包括该当前时间。预设时间段的时间长度，可以是结合实际需要进行设定。

其中，上述空闲状况确定模块402在确定与所述当前停车难易度对应的所述当前停车场当前时间的空闲状况时，基于考虑因素的不同，可以采用不同的方式进行。

图5中示出了一个具体示例中的停车场空闲状况预测系统的结构示意图。如图5所示，在图4所示的系统的基础上，该具体示例的系统中的空闲状况确定模块402包括：

匹配分析确定模块4021，用于根据事先获取的所述当前停车场的各任意时间的停车难易度，与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况，将所述当前停车难易度与所述当前停车场的各所述任意时间的停车难易度进行匹配，获得与所述当前停车难易度匹配度最高的一个任意时刻的停车难易度，并将所述匹配度最高的一个任意时刻的停车难易度对应的空闲状况，确定为所述当前停车场当前时间的空闲状况。

在此基础上，如图5所示，该具体示例中的系统还包括：

基础数据获取模块4001，用于获取所述当前停车场的各任意时间的停车难易度，获取与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况。

其中，上述基础数据获取模块4001，还可以将获取的所述当前停车场的各任意时间的停车难易度、所述当前停车场的各所述任意时间的空闲状况存入数据库，以供匹配分析确定模块4021从数据库获取并使用。

图6中示出了另一个具体示例中的停车场空闲状况预测系统的结构示意图。如图6所示，在图4所示的系统的基础上，该具体示例的系统中的空闲状况确定模块402包括：

函数分析确定模块4022，用于根据所述当前停车场的停车难易度与空闲状况之间的函数关系，确定与所述当前停车难易度对应的所述当前停车场当前时间的空闲状况。其中，所述函数关系可以是根据事先获取的所述当前停车场的各任意时间的停车难易度，与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况确定。

在此基础上，如图6所示，该具体示例中的系统还可以包括：

基础数据获取模块4001，用于获取所述当前停车场的各任意时间的停车难易度，获取与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况。

其中，上述基础数据获取模块4001，还可以将获取的所述当前停车场的各任意时间的停车难易度、所述当前停车场的各所述任意时间的空闲状况存入数据库，以供其他模块从数据库获取并使用。

上述当前停车场的停车难易度与空闲状况之间的函数关系，基于不同的考虑因素，可以采用不同的方式进行。

其中一种方式，可以通过对数据进行拟合或者插值得到上述函数关系。

据此，如图6所示，该具体示例中的系统还包括：

拟合确定函数关系模块4002，用于根据所述当前停车场的各任意时间的停车难易度、所述当前停车场的各所述任意时间的空闲状况，得到各所述任意时间的停车难易度与空闲状况之间的关联数据对，并对各所述关联数据对进行曲线拟合或曲线插值，并将曲线拟合或曲线插值得到的函数关系作为所述当前停车场的停车难易度与空闲状况之间的函数关系。

另外一种方式，可以基于神经网络训练得到上述函数关系。据此，图7中示出了另一个具体示例中的停车场空闲状况预测系统的结构示意图。在该具体示例中，相对于图6所示的具体示例中的系统，除了共同包括基础数据获取模块4001、当前停车难易度获取模块401、空闲状况确定模块402且空闲状况确定模块402包括函数分析确定模块4022，还包括：

训练确定函数关系模块4003，用于将所述当前停车场的各任意时间的停车难易度作为预设神经网络的输入，将与各任意时间的停车难易度分别对应的、所述当前停车场的各所述任意时间的空闲状况分别作为所述预设神经网络的输出，对所述预设神经网络进行训练；并将所述训练得到的神经网络作为所述当前停车场的停车难易度与空闲状况之间的函数关系。

可以理解的是，上述各具体示例中的停车场空闲状况预测系统，是以分别就其中一种实现方式下的系统的结构进行举例说明。而在实际的系统开发及应用中，停车场空闲状况预测系统，可以是包含上述各具体示例中的各模块，在实际的技术应用场景中，再选择具体采用哪种方式、进而选中相关的模块进行当前停车场的停车状况。

据此，图8示出了一个具体应用示例中的停车场空闲状况预测系统的结构示意图。

如图8所示，该具体应用示例中的系统，可以同时包括上述基础数据获取模块4001、拟合确定函数关系模块4002、训练确定函数关系模块4003、当前停车难易度获取模块401、空闲状况确定模块402，空闲状况确定模块402包括：匹配分析确定模块4021、函数分析确定模块4022。图8所示系统中的各模块的功能与上述各具体示例中的具有相同名称的模块的功能相同，在此不再赘述。从而，在实际的技术应用中，可以自由确定各模块之间的组合关系，从而采用不同的方式来确定当前停车场当前时间的空闲状况。

可以理解的是，上述各示例中的停车场空闲状况预测系统的其他技术特征，可以与上述方法的各实施例中的相同，在此不再展开赘述。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。