1.一种停车场空闲状况预测方法，其特征在于，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，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；

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的方式包括：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。

2.根据权利要求1所述的停车场空闲状况预测方法，其特征在于，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的方式包括：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；

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。

3.根据权利要求1所述的停车场空闲状况预测方法，其特征在于：

所述函数关系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。

4.根据权利要求3所述的停车场空闲状况预测方法，其特征在于：

所述函数关系的确定方式包括：

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；

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；

或者

所述函数关系的确定方式包括：

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；

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。

5.根据权利要求1至4任意一项所述的停车场空闲状况预测方法，其特征在于，包括下述两项中的至少一项：在获取当前停车场当前时间的当前停车难易度之前，还包括步骤：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；

所述当前停车场的当前寻停车位时间，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。

6.一种停车场空闲状况预测系统，其特征在于，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，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，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；

所述空闲状况确定模块包括：函数分析确定模块，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的方式包括：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。

7.根据权利要求6所述的停车场空闲状况预测系统，其特征在于，所述空闲状况确定模块包括：匹配分析确定模块，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。

8.根据权利要求6所述的停车场空闲状况预测系统，其特征在于：

所述函数关系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。

9.根据权利要求8所述的停车场空闲状况预测系统，其特征在于，还包括训练确定函数关系模块和/或拟合确定函数关系模块：所述训练确定函数关系模块，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；

所述拟合确定函数关系模块，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。

10.根据权利要求6至9任意一项所述的停车场空闲状况预测系统，其特征在于，还包括下述两项中的至少一项：该系统还包括基础数据获取模块，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；

所述当前停车场的当前寻停车位时间，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。