通过两支足球队近10场的进球数使用泊松分布预测出两支足球队本场比赛的胜平负程序，考虑球队的实力、球员的状态、主场优势来编写代码

要通过泊松分布预测两支球队在比赛中的胜负结果，你需要首先了解泊松分布的基本原理，它通常用于描述离散事件发生的平均率。在这里，我们将用它来模拟进球数，但实际比赛中涉及到的因素远不止进球数，包括球队实力、球员状态和主场优势等。为了编写这样的程序，以下是一个简化的Python示例，只考虑进球数：

import numpy as np
from scipy.stats import poisson

# 定义球队的数据，包含进球历史平均值（泊松率）
team1_goals_mean = [data['TeamA_Goals'] for data in historical_data]
team2_goals_mean = [data['TeamB_Goals'] for data in historical_data]

# 计算当前球队实力得分，根据真实数据调整
team_strength_factors = [
    (team1_avg + team1_strength_factor),  # TeamA
    (team2_avg + team2_strength_factor),  # TeamB
]

# 定义比赛日当天球员状态和主场优势调整参数
player_state = [1, 1]  # 如果状态提升，设为大于1；否则为1
home_field_advantage = [1 + home_advantage, 1 - home_advantage]  # 主场队+1，客队-1

# 合并所有因素计算每队潜在进球数
predicted_goals = [
    poisson(team_strength_factors[i] * player_state[i] * home_field_advantage[i]).rvs() 
    for i in range(2)
]

# 预测胜平负结果
def predict_result(goals1, goals2):
    if goals1 > goals2:
        return '胜'
    elif goals1 < goals2:
        return '负'
    else:
        return '平'

result = predict_result(predicted_goals, predicted_goals)
print(f"预测结果：{result}（TeamA {predicted_goals}: {predicted_goals}）")

请注意，这个简单的例子假设了每个进球是一个独立的泊松过程，而实际上足球比赛中进球的分布可能更复杂。要精确预测比赛结果，还需要收集更多实时数据（如球员伤病情况、战术安排等），并可能需要用到更复杂的模型，比如时间序列分析或机器学习方法。