基于互联网的租赁指数分析方法、系统及云平台

摘要

本发明实施例提供一种基于互联网的租赁指数分析方法、系统及云平台。本发明实施例根据待创建的目标租赁指数分析模型的指数因子分类信息，来创建与指数因子分类匹配的指数分类分析函数层，这可以使得最后根据指数分类分析函数层所创建的目标租赁指数分析模型具有较好的分析性能，所得到的分析数据具有较好的参考性，以及较多维度的参考价值，有利于后续根据租赁指数的分析结果进行后续的应用，例如基于租赁指数的租赁信息的推送应用。

说明书

技术领域

本发明涉及互联网技术领域，具体而言，涉及一种基于互联网的租赁指数分析方法、系统及云平台。

背景技术

在租赁市场，以房屋租赁、车辆租赁等大宗商品的租赁市场为例，建立租赁指数（如房屋租赁指数）是使相关人员了解租赁市场、选择合适的租赁商品的信息渠道。通过指数的反映租赁市场的一些实时信息，例如可以反映的不同地段、不同结构、不同环境的商品价格，方便人们根据自己的习惯、消费能力等情况做出自己的租赁选择。此外，建立租赁指数也是一些商品投资者和评估咨询等机构进行投资决策等的依据。因此，如何有效的建立一套高效的精准的租赁指数分析方法是本领域急需解决的重要问题。

发明内容

鉴于以上内容，第一方面，本发明实施例提供一种基于互联网的租赁指数分析方法，应用于云平台，所述方法包括：

获取待创建的目标租赁指数分析模型对应的租赁应用环境的指数因子分类信息；

根据所述指数因子分类信息，在选定租赁指数分析模型中创建多个指数分类对应的指数分类分析函数层，其中，所述指数分类分析函数层包括多个指数分析单元，所述指数分析单元用于将所述选定租赁指数分析模型分为多个指数分析维度；

创建待应用于所述指数分类分析函数层中的指数影响因子序列，其中，所述指数影响因子序列包括多个指数影响因子；

将所述指数影响因子序列与所述指数分类分析函数层中的指数分析单元进行函数因子映射分析，得到适用于所述指数分析单元的待定指数影响因子；

根据所述待定指数影响因子与所述指数分析单元之间的函数因子对应关系，从所述待定指数影响因子中提取出目标指数影响因子；

将所述目标指数影响因子应用于所述指数分析单元，以将所述目标指数影响因子应用于所述指数分类分析函数层中，创建目标租赁指数分析模型；

使用所述目标租赁指数分析模型对采集的互联网租赁大数据进行租赁指数分析，得到对应的租赁指数分析结果。

结合第一方面，根据所述指数因子分类信息，在选定租赁指数分析模型中创建指数分类分析函数层，包括：

根据所述指数因子分类信息，在所述选定租赁指数分析模型中创建初始化分析函数层，其中，所述初始化分析函数层包括多个待优化的指数分析单元；

根据所述指数分析单元在所述初始化分析函数层中的共有因子属性，对所述指数分析单元进行优化，得到优化后的指数分析单元；

根据所述优化后的指数分析单元，确定所述选定租赁指数分析模型中的指数分类分析函数层，其中，所述指数分类分析函数层包括多个优化后的指数分析单元，所述指数分析单元用于将所述选定租赁指数分析模型分为多个指数分析维度。

结合第一方面，根据所述指数因子分类信息，在所述选定租赁指数分析模型中创建初始化分析函数层，包括：

确定创建初始化分析函数层对应的维度划分规则；

对所述指数因子分类信息进行特征提取，得到所述指数因子分类信息对应的因子描述信息；

根据所述维度划分规则与所述因子描述信息，在所述选定租赁指数分析模型中创建初始化分析函数层；

所述根据所述维度划分规则与所述因子描述信息，在所述选定租赁指数分析模型中创建初始化分析函数层，包括：

在所述选定租赁指数分析模型中创建匹配所述维度划分规则的初始化分析函数层，其中，所述初始化分析函数层包括多个待拟合的指数分析单元； 根据所述因子描述信息，对所述初始化分析函数层中的指数分析单元进行非线性拟合，得到拟合后的指数分析单元；

根据所述拟合后的指数分析单元，确定所述选定租赁指数分析模型中的初始化分析函数层；

所述根据所述指数分析单元在所述初始化分析函数层中的共有因子属性，对所述指数分析单元进行优化，得到优化后的指数分析单元，包括：

根据确定的分析单元优化函数，对所述共有因子属性进行属性映射，以确定待优化的目标指数分析单元；

按照所述分析单元优化函数对所述目标指数分析单元进行优化，得到优化后的指数分析单元。

结合第一方面，根据所述待定指数影响因子与所述指数分析单元之间的函数因子对应关系，从所述待定指数影响因子中提取出目标指数影响因子，包括：

根据所述待定指数影响因子的属性信息，确定所述待定指数影响因子与所述指数分析单元之间的函数因子对应关系；

根据所述函数因子对应关系，对所述待定指数影响因子与所述指数分析单元进行拟合分析；

从所述完成拟合分析的待定指数影响因子中，提取出适用于所述指数分析单元的目标指数影响因子；

所述从所述完成拟合分析的待定指数影响因子中，提取出适用于所述指数分析单元的目标指数影响因子，包括：

确定完成拟合分析的待定指数影响因子对应的指数因子类型，其中，所述指数因子类型配置有对应的指数因子限定指标；

根据所述指数因子限定指标，对所述指数因子类型下的待定指数影响因子进行提取，得到提取后的目标指数影响因子。

结合第一方面，将所述目标指数影响因子应用于所述指数分析单元，以将所述目标指数影响因子应用于所述指数分类分析函数层中，创建目标租赁指数分析模型，包括：

将所述目标指数影响因子按照预设的次序整理规则加入设定的因子队列，以并根据所述因子队列中各目标指数影响因子的排列顺序确定各目标指数影响因子的因子权重；

根据所述因子权重，对所述目标指数影响因子进行拟合分析；

将完成拟合分析的目标指数影响因子应用于所述指数分析单元，以将所述目标指数影响因子应用于所述指数分类分析函数层中，创建目标租赁指数分析模型；

所述根据所述因子权重，对所述目标指数影响因子进行拟合分析，包括：

对匹配同一指数因子类型的目标指数影响因子进行拟合分析，得到拟合分析结果；

根据所述拟合分析结果，对所述指数因子类型对应的目标指数影响因子进行提取，得到提取后的目标指数影响因子；

根据所述提取后目标指数影响因子的因子权重，从所述提取后目标指数影响因子中确定检测通过的目标指数影响因子；

所述将所述指数影响因子与所述指数分类分析函数层中的指数分析单元进行函数因子映射分析，得到适用于所述指数分析单元的待定指数影响因子，包括：

确定所述指数影响因子的因子描述信息、以及所述指数分析单元的单元描述信息；

对所述因子描述信息与所述单元描述信息进行函数因子映射分析；

将映射成功的指数影响因子确定为适用于所述指数分析单元的待定指数影响因子。

结合第一方面，所述方法还包括：

基于互联网获取目标租赁用户的互联网租赁信息；

将所述目标租赁用户的互联网租赁信息输入预先训练得到的租赁用户聚类模型中，得到所述目标租赁用户所属的至少一个用户聚类；

响应于针对所述目标租赁用户的租赁指数推送请求，根据所述至少一个用户聚类从所述租赁指数分析结果中获取与所述至少一个用户聚类匹配的租赁指数分析数据；

将所述匹配的租赁指数分析数据按照预设的信息推送方式推送给所述目标租赁用户。

结合第一方面，所述多个指数分析单元包括区域指数分析单元、人群指数分析单元、价格指数分析单元；

所述使用所述目标租赁指数分析模型对采集的互联网租赁大数据进行租赁指数分析，得到对应的租赁指数分析结果，包括：

将所述采集的所述互联网租赁大数据进行数据筛分，得到分别用于进行区域指数分析、人群指数分析以及价格指数分析的第一大数据集合、第二大数据集合、以及第三大数据集合；

通过所述区域指数分析单元对所述第一大数据集合进行区域租赁指数分析，得到与不同租赁区域对应的区域租赁指数分析结果；

通过所述人群指数分析单元对所述第二大数据集合进行区域租赁指数分析，得到与不同人群聚类对应的人群租赁指数分析结果；

通过所述价格指数分析单元对所述第三大数据集合进行区域租赁指数分析，得到与不同的消费价格区间对应的价格租赁指数分析结果；

所述至少一个用户聚类包括所述目标租赁用户所对应的区域聚类、人群聚类、以及消费价格聚类，所述响应于针对所述目标租赁用户的租赁指数推送请求，根据所述至少一个用户聚类从所述租赁指数分析结果中获取与所述至少一个用户聚类匹配的租赁指数分析数据，包括：

将所述区域聚类与所述区域租赁指数分析结果进行匹配分析，得到与所述目标租赁用户对应的区域租赁指数分析数据；

将所述人群聚类与所述人群租赁指数分析结果进行匹配分析，得到与所述目标租赁用户对应的人群租赁指数分析数据，得到与所述目标租赁用户对应的人群租赁指数分析数据；

将所述消费价格聚类与所述价格租赁指数分析结果进行匹配分析，得到与所述目标租赁用户对应的价格租赁指数分析数据；

根据所述区域租赁指数分析数据、所述人群租赁指数分析数据以及所述价格租赁指数分析数据，得到与所述至少一个用户聚类匹配的租赁指数分析数据。

结合第一方面，所述方法还包括训练得到所述租赁用户聚类模型的步骤，具体包括：

针对预先确定的各种目标用户聚类类型，获取多个第一样本聚类标签信息和多个第二样本聚类标签信息，其中，第一样本聚类标签信息为具有正向标签标识的聚类标签信息，第二样本聚类标签信息为具有负向标签标识的聚类标签信息，第一样本聚类标签信息和第二样本聚类标签信息分别包括与所述目标用户聚类类型的正向标签标识和负向标签标识，所述第一样本聚类标签信息与所述目标用户聚类类型的正向标签标识与所述目标用户聚类类型正相关，所述第二样本聚类标签信息与所述目标用户聚类类型的负向标签标识与所述目标用户聚类类型负相关；

对所述第一样本聚类标签信息和第二样本聚类标签信息中的多个标签信息进行拓展，得到所述第一样本聚类标签信息对应的第一标签拓展样本，以及所述第二样本聚类标签信息对应的第二标签拓展样本；

根据所述第一标签拓展样本和第二标签拓展样本中的标签信息与所述目标用户聚类类型对应的参考标签信息的匹配系数，分别更新第一标签拓展样本和第二标签拓展样本的标签信息中与所述目标用户聚类类型的正向标签标识；

根据所述第一样本聚类标签信息和第二样本聚类标签信息、以及第一标签拓展样本和第二标签拓展样本，对所述租赁用户聚类模型进行迭代模型训练，直到模型收敛后，得到训练后的租赁用户聚类模型；

其中，所述对所述第一样本聚类标签信息和第二样本聚类标签信息的多个标签信息进行拓展，得到所述第一样本聚类标签信息对应的第一标签拓展样本，以及所述第二样本聚类标签信息对应的第二标签拓展样本，包括：

确定待进行标签信息拓展的第一样本聚类标签信息和第二样本聚类标签信息；

拓展所述第一样本聚类标签信息和第二样本聚类标签信息中多个具有相同标签标识的标签信息，得到所述第一样本聚类标签信息对应的第一标签拓展样本，以及所述第二样本聚类标签信息对应的第二标签拓展样本；

分别拓展第一标签拓展样本和第二标签拓展样本的标签信息中与所述目标用户聚类类型的正向标签标识：

根据所述第一标签拓展样本中被拓展后的标签信息，提取所述第一标签拓展样本对应的第一标签信息描述分量，根据所述第二标签拓展样本中被拓展后的标签信息，提取所述第二标签拓展样本对应的第二标签信息描述分量；

根据所述第一标签拓展样本的第一标签信息描述分量与所述参考标签信息对应的参考标签信息描述分量，得到所述第一标签拓展样本与所述目标用户聚类类型的第一匹配系数，并根据所述第二标签拓展样本的第二标签信息描述分量与所述参考标签信息对应的参考标签信息描述分量，得到所述第二标签拓展样本与所述目标用户聚类类型的第二匹配系数；

根据所述第一匹配系数和所述第二匹配系数分别拓展所述第一标签拓展样本和所述第二标签拓展样本的标签信息中与所述目标用户聚类类型的正向标签标识。

第二方面，本发明实施例还提供一种基于互联网的租赁指数分析系统，应用于云平台，所述系统包括：

分类信息获取模块，用于获取待创建的目标租赁指数分析模型对应的租赁应用环境的指数因子分类信息；

分析函数创建模块，用于根据所述指数因子分类信息，在选定租赁指数分析模型中创建多个指数分类对应的指数分类分析函数层，其中，所述指数分类分析函数层包括多个指数分析单元，所述指数分析单元用于将所述选定租赁指数分析模型分为多个指数分析维度；

因子序列创建模块，用于创建待应用于所述指数分类分析函数层中的指数影响因子序列，其中，所述指数影响因子序列包括多个指数影响因子；

映射分析模块，用于将所述指数影响因子序列与所述指数分类分析函数层中的指数分析单元进行函数因子映射分析，得到适用于所述指数分析单元的待定指数影响因子；

因子提取模块，用于根据所述待定指数影响因子与所述指数分析单元之间的函数因子对应关系，从所述待定指数影响因子中提取出目标指数影响因子；

分析模型创建模块，用于将所述目标指数影响因子应用于所述指数分析单元，以将所述目标指数影响因子应用于所述指数分类分析函数层中，创建目标租赁指数分析模型；

租赁指数分析模块，用于使用所述目标租赁指数分析模型对采集的互联网租赁大数据进行租赁指数分析，得到对应的租赁指数分析结果。

第三方面，本发明还提供一种云平台，包括处理器、机器可读存储介质，所述机器可读存储介质和所述处理器连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现上述的方法。

基于上述内容，本发明实施例通过获取待创建的目标租赁指数分析模型对应的指数因子分类信息；根据所述指数因子分类信息，在选定租赁指数分析模型中创建指数分类分析函数层，其中，所述指数分类分析函数层包括多个指数分析单元，所述指数分析单元用于将所述选定租赁指数分析模型分为多个指数分析维度；创建待应用于所述指数分类分析函数层中的指数影响因子序列，其中，所述指数影响因子序列包括多个指数影响因子；将所述指数影响因子与所述指数分类分析函数层中的指数分析单元进行函数因子映射分析，得到适用于所述指数分析单元的待定指数影响因子；根据所述待定指数影响因子与所述指数分析单元之间的函数因子对应关系，从所述待定指数影响因子中提取出目标指数影响因子；将所述目标指数影响因子应用于所述指数分析单元，以将所述目标指数影响因子应用于所述指数分类分析函数层中，创建目标租赁指数分析模型。

如此，可以根据待创建的目标租赁指数分析模型的指数因子分类信息，来创建与指数因子分类匹配的指数分类分析函数层，这可以使得最后根据该指数分类分析函数层所创建的目标租赁指数分析模型具有较好的分析性能，所得到的分析数据具有较好的参考性，以及较多维度的参考价值，有利于后续根据租赁指数的分析结果进行后续的应用，例如基于租赁指数的租赁信息的推送等应用。此外，本实施例在将指数影响因子应用于指数分类分析函数层中的指数分析单元时，既考虑了指数影响因子与指数分析单元之间的函数因子映射分析的情况，又考虑了指数影响因子与指数分析单元之间的函数因子对应关系，这能够极大地提高租赁指数分析模型的指数分析性能和应用效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，针对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例提供的基于互联网的租赁指数分析方法的应用场景示意图。

图2是上述方法的流程示意图。

图3是图1中的云平台的架构示意图。

图4是图3中的租赁指数分析系统的功能模块示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。根据本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，是本发明实施例提供的一种基于互联网的租赁指数分析方法的应用场景示意图。结合图2所示，是上述方法的流程示意图，本实施例中，所述方法可以由云平台100实现，所述云平台100可通过网络为不同的租赁用户终端200通讯连接，以为各租赁用户终端200提供相关服务。本实施例中，所述云平台100可以是用于提供车辆、住房等大宗商品租赁服务的机构所设立的后台服务器、平台中心、服务器集群、云端服务设备、云服务平台、云服务中心、区块链服务中心等。例如，以住房租赁应用场景为例，所述云平台100可以是用于为用户提供房屋中介服务的中介服务机构（如链家、贝壳、大唐等）设立的后台服务中心，例如后台服务器。在其他实施例中， 所述云平台100也可以是用于提供其他类型的商品租赁服务（如充电宝、共享单车、共享电动车等）的服务结构所设立的后台服务器，本实施例对此并不进行限定。

下面对图2所示的各步骤进行介绍。

步骤10、获取待创建的目标租赁指数分析模型对应的指数因子分类信息。

本发明所说的待创建的目标租赁指数分析模型，可以为当前需要进行模型创建的租赁指数分析模型。本实施例中，所述租赁指数分析模型例如可以是利用回归分析法、相关分析法、熵权法、聚类分析法、层次分析法、残差检验分析法等等关联分析法而实现关联分析类模型，也可以是预测类、或基于遗传算法、神经网络等的最优化类模型，具体不进行限定。

其中，指数因子分类信息可以为描述目标租赁指数分析模型的指数因子分类的相关信息。目标租赁指数分析模型的指数因子分类用于描述目标租赁指数分析模型的模型特征有关的参数因子，例如，指数因子分类可以为目标租赁指数分析模型在各种数据统计维度（如区域、价格、消费能力等维度）的指数因子。指数因子分类可以为目标租赁指数分析模型在租赁指数所需考虑的维度层面而预先划分的类别。例如，可以是影响租赁指数分析结果的各种因子分类，例如以住房租赁对应的应用场景为例，可以包括租赁区域、租赁人群、租赁价格等影响因素对应的指数因子，这些指数因子可以是针对这些影响因素而设立。

因此，相应地，指数因子分类信息可以为包括目标租赁指数分析模型在各种维度或类别上的指数因子分类的相关因子信息（如参数、特征、描述分量等）。

步骤20，根据所述指数因子分类信息，在选定租赁指数分析模型中创建多个指数分类对应的指数分类分析函数层。其中，所述指数分类分析函数层包括多个指数分析单元，所述指数分析单元用于将所述选定租赁指数分析模型分为多个指数分析维度。

其中，选定租赁指数分析模型可以为在创建目标租赁指数分析模型之前而确定一个的初始化模型，已搭建好基本的模型结构。例如，选定租赁指数分析模型可以作为待创建的指数分析单元与指数影响因子的总体模型架构，可以在选定租赁指数分析模型中加载相应的指数分析单元与指数影响因子来共同创建所述目标租赁指数分析模型。

其中，指数分类分析函数层可以是通过指数分析单元构成的多层网络结构。例如，指数分类分析函数层中可以由各指数分析单元进行组合或凭借形成不同的网络节点，本发明实施例具体不进行限定。

进一步地，由于指数因子分类信息中包括有描述目标租赁指数分析模型的指数因子分类的相关信息，因此，可以根据该指数因子分类信息，在选定租赁指数分析模型中创建指数分类分析函数层。例如，可以通过在选定租赁指数分析模型中创建初始化分析函数层，然后对初始化分析函数层中的指数分析单元进行优化，从而创建指数分类分析函数层。本实施例中，根据指数因子分类信息，在选定租赁指数分析模型中创建指数分类分析函数层，可以通过以下方式实现：

首先，根据所述指数因子分类信息，在所述选定租赁指数分析模型中创建初始化分析函数层，其中，所述初始化分析函数层包括多个待优化的指数分析单元；

其次，根据所述指数分析单元在所述初始化分析函数层中的共有因子属性，对所述指数分析单元进行优化，得到优化后的指数分析单元；

然后，根据所述优化后的指数分析单元，确定所述选定租赁指数分析模型中的指数分类分析函数层，其中，所述指数分类分析函数层包括多个优化后的指数分析单元，所述指数分析单元用于将所述选定租赁指数分析模型分为多个指数分析维度。

其中，所述初始化分析函数层为创建指数分类分析函数层对应的初始化函数或初始化网络模型，本实施例中，初始化分析函数层可以由多个待优化的指数分析单元构成，进而可以通过对待优化的指数分析单元进行优化从而得到指数分类分析函数层。

进一步地，根据指数因子分类信息，在选定租赁指数分析模型中创建初始化分析函数层的方式可以有多种，例如，可以结合维度划分规则实现，基于此根据指数因子分类信息，在选定租赁指数分析模型中创建初始化分析函数层，可以包括以下实现方式：

首先，确定创建初始化分析函数层对应的维度划分规则；其次，对所述指数因子分类信息进行特征提取，得到所述指数因子分类信息对应的因子描述信息；然后，根据所述维度划分规则与所述因子描述信息，在所述选定租赁指数分析模型中创建初始化分析函数层。

本发明实施例中，维度划分规则可以是指通过哪些维度来进行租赁指数的分析，基于此维度划分规则例如可以是基于租赁人群的人群分类的维度划分规则，例如租赁人群分类可以按照人群的年龄、收入、性别等维度进行划分，从这些维度来分析不同租赁人群对应的租赁指数变化，例如针对这些不同人群在住房租赁中相对应的指数信息。又例如，也可以按照不同租赁区域的维度进行划分，例如租赁区域可以是不同的行政区、不同的省级区域、不同的实际区域等，然后按照不同高度区域类型来进行相对应的指数分析，具体不进行限定。

在本实施例中，可以对目标租赁指数分析模型的指数因子分类信息进行特征提取，以得到该指数因子分类信息对应的因子描述信息。例如，因子描述信息可以通过特征转换的方式而得到的特征向量。

在本实施例中，在确定创建初始化分析函数层对应的维度划分规则、以及目标租赁指数分析模型的指数因子分类信息对应的因子描述信息后，即可根据该维度划分规则与该因子描述信息，进一步地创建初始化分析函数层。详细地，本实施例中，上述根据该维度划分规则与该因子描述信息，在选定租赁指数分析模型中创建初始化分析函数层的实现方式示例性描述如下：

在选定租赁指数分析模型中创建匹配维度划分规则的初始化分析函数层，其中，该初始化分析函数层包括多个待拟合的指数分析单元；

根据因子描述信息，对初始化分析函数层中的指数分析单元进行非线性拟合，得到拟合后的指数分析单元；

根据拟合后的指数分析单元，确定选定租赁指数分析模型中的初始化分析函数层。

其中，创建匹配维度划分规则的初始化分析函数层的方式，例如，可以是通过获取维度划分规则的相关参数的初始化分析函数层创建线程，并通过该创建线程来创建匹配维度划分规则的初始化分析函数层。进一步地，上述的非线性拟合例如可以通过变量代换的方式根据所述因子描述信息对所述指数分析单元进行非线性拟合。所述因子描述信息可以是针对所述指数因子分类信息中各类别的因子信息进行特征提取得到因子描述信息后，通过特征向量的方式进行量化表示的特征，以用于后续的非线性拟合。

需要说明的是，上述创建的初始化分析函数层仅是根据维度划分规则创建的，并未将目标租赁指数分析模型的指数因子分类信息考虑在内因此，该初始化分析函数层中的指数分析单元可能与目标租赁指数分析模型的指数因子分类不匹配。如此，创建的初始化分析函数层中可以包括多个待拟合的指数分析单元。其中，非线性拟合也可以是为从其它的维度对指数分析单元进行的拟合，例如，优化指数分析单元的属性信息后再进行拟合。

在本实施例中，还可以根据指数因子分类信息对初始化分析函数层中的指数分析单元进行非线性拟合，进而可以根据该指数因子分类信息对应的因子描述信息来实现。举例来说，目标租赁指数分析模型可以为租赁价格指数分析模型，指数因子分类信息可以为租赁用户消费能力的相关信息，那么，可以根据租赁用户消费能力的相关信息对应的因子描述信息，来优化初始化分析函数层中指数分析单元，从而实现对指数分析单元进行非线性拟合，以得到既匹配维度划分规则、又贴合于租赁用户消费能力的指数分析单元。进一步地，在对初始化分析函数层中的指数分析单元进行非线性拟合，得到拟合后的指数分析单元后，则可创建选定租赁指数分析模型中的初始化分析函数层。

在本实施例中，在选定租赁指数分析模型中创建初始化分析函数层后，还可以进一步对该初始化分析函数层中的指数分析单元进行优化。例如，可以根据指数分析单元在初始化分析函数层中的共有因子属性，对该指数分析单元进行优化，得到优化后的指数分析单元。

其中，共有因子属性可以为描述初始化分析函数层中指数分析单元之间的因子交叉关联关系。例如，指数分析单元的共有因子属性可以为，该指数分析单元是否与其他指数分析单元具有逻辑交叉关联关系等。

在本实施例中，根据指数分析单元在初始化分析函数层中的共有因子属性，对该指数分析单元进行局部优化的实现方式可以根据实际情况而定，例如，可以根据实际情况确定对应的分析单元优化函数，并根据指数分析单元的共有因子属性，通过按照该分析单元优化函数来对该指数分析单元进行局部优化或全局优化。详细地，本实施例中，根据指数分析单元在初始化分析函数层中的共有因子属性，对该指数分析单元进行优化，得到优化后的指数分析单元可以通过以下方式实现。

首先，根据确定的分析单元优化函数，对所述共有因子属性进行属性映射，以确定待优化的目标指数分析单元；然后按照所述分析单元优化函数对所述目标指数分析单元进行优化，得到优化后的指数分析单元。

其中，所述属性映射例如可以是指将所述共有因子属性映射到所述分析单元优化函数中，进而确定待优化的与共有因子属性对应的目标指数分析单元。然后根据所述分析单元优化函数按照设定的优化方式对所述目标指数分析单元进行函数优化，使得目标指数分析单元在后续的指数分析过程中具有更好的分析性能及分析准确性。

在本实施例中，在对初始化分析函数层中的指数分析单元进行优化后，可以得到优化后的指数分析单元，通过也确定了由优化后指数分析单元所形成的指数分类分析函数层。

步骤30、创建待应用于所述指数分类分析函数层中的指数影响因子序列，其中，所述指数影响因子序列包括多个指数影响因子。

其中，指数影响因子序列可以为包括目标租赁指数分析模型中的指数影响因子的序列。例如，指数影响因子序列可以为包括目标租赁指数分析模型中的所有指数影响因子的序列。或者，指数影响因子序列可以为包括目标租赁指数分析模型中某一部分或某一个指数因子类型下的指数影响因子的序列，具体不进行限定。此外，也可以创建目标租赁指数分析模型中的其他指数影响因子，进而得到待应用于指数分类分析函数层中的指数影响因子序列。

步骤40、将指数影响因子与指数分类分析函数层中的指数分析单元进行函数因子映射分析，得到适用于该指数分析单元的待定指数影响因子。

其中，函数因子映射分析可以为将指数影响因子的因子描述信息与指数分析单元的单元描述信息进行关联映射，以确定该指数影响因子是否匹配对应的指数分析单元的映射过程。

其中，将待定指数影响因子适用于指数分析单元可以是构建该待定指数影响因子与该指数分析单元在逻辑层面的关联关系。例如，当将本发明的基于互联网的租赁指数分析方法应用在租赁价格指数分析模型创建时，目标租赁指数分析模型即为租赁价格指数分析模型，待定指数影响因子可以为待定价格因素，指数分析单元则可以为租赁价格指数分析模型中各分析函数层。

此外，对于待应用于指数分类分析函数层的指数影响因子序列中，可以通过将指数影响因子与指数分类分析函数层中的指数分析单元进行函数因子映射分析，以确定适用于该指数分析单元的待定指数影响因子。本实施例中，将指数影响因子与指数分类分析函数层中的指数分析单元进行函数因子映射分析，得到适用于该指数分析单元的待定指数影响因子，可以通过以下方式实现。

首先，确定指数影响因子的因子描述信息、以及指数分析单元的单元描述信息；其次，对该因子描述信息与该单元描述信息进行函数因子映射分析；然后，将映射成功的指数影响因子确定为适用于指数分析单元的待定指数影响因子。例如，映射成功是指对应的因子描述信息与单元描述信息在通过指数分析单元的相应的函数中匹配成功，匹配成功的因子描述信息适用于对应的指数分析单元。其中，因子描述信息可以是指数影响因子的相关因子属性信息，单元描述信息可以是指数分析单元的相关函数属性信息。

在一实施例中，指数影响因子的因子描述信息与指数分析单元的单元描述信息，可以是用户自定义的维度属性，也可以在模型中进行用户自定义调整优化。那么，在用户定义了因子描述信息与单元描述信息后，可以确定指数影响因子的因子描述信息与指数分析单元的单元描述信息，并通过对该因子描述信息与该单元描述信息进行函数因子映射分析，以确定该指数影响因子是否为适用于该指数分析单元的待定指数影响因子。

此外，进行函数因子映射分析的方式可以有多种，例如，可以对指数分析单元的单元描述信息进行分析，以确定其中对可应用于该指数分析单元中的指数影响因子所配置的条件。进一步地，可以通过分析指数影响因子的因子描述信息的相关参数，来确定该指数影响因子是否匹配该指数分析单元所配置的条件，进而确定该指数影响因子是否为可适用于该指数分析单元的待定指数影响因子。

通过函数因子映射分析可以确定适用于指数分析单元的待定指数影响因子，然后通过后续的步骤50，可根据待定指数影响因子与指数分析单元之间的函数因子对应关系，从该待定指数影响因子中提取出目标指数影响因子。其中，函数因子对应关系为描述待定指数影响因子与指数分析单元在逻辑上的关联信息。

由于在创建目标租赁指数分析模型的过程中，需要将指数影响因子应用于指数分类分析函数层中的指数分析单元，以创建最终的模型，因此，需要在确定待定指数影响因子的情况下，进一步确定可适用于指数分析单元的目标指数影响因子，例如，可以根据函数因子对应关系，从待定指数影响因子中提取出目标指数影响因子。本实施例中，根据待定指数影响因子与指数分析单元之间的函数因子对应关系，从该待定指数影响因子中提取出目标指数影响因子可以通过以下方式实现。

首先，根据待定指数影响因子的属性信息，确定该待定指数影响因子与该指数分析单元之间的函数因子对应关系；然后，根据该函数因子对应关系，对该待定指数影响因子与该指数分析单元进行拟合分析；最后，从完成拟合分析的待定指数影响因子中，提取出适用于该指数分析单元的目标指数影响因子。其中，待定指数影响因子的属性信息可以为从向量维度对待定指数影响因子进行表述而得到。

由于函数因子对应关系为描述待定指数影响因子与指数分析单元在逻辑上的关联关系，因此，可以根据待定指数影响因子的属性信息，来确定该待定指数影响因子与指数分析单元之间的函数因子对应关系。

在一实施例中，可以将本发明描述的基于互联网的租赁指数分析方法应用在租赁价格指数分析模型创建中，那么，目标租赁指数分析模型即为待创建的租赁价格指数分析模型，待定指数影响因子可以为待定模型影响因素，指数分析单元可以为租赁价格指数分析模型中的不同函数层。

本实施例中，可以进一步从完成拟合分析的待定指数影响因子中，提取出适用于该指数分析单元的目标指数影响因子，详细地，相应的方式描述如下。首先确定完成拟合待定指数影响因子对应的指数因子类型，其中，该指数因子类型配置有对应的指数因子限定指标；然后，根据该指数因子限定指标，对该指数因子类型下的待定指数影响因子进行提取，得到提取后的目标指数影响因子。其中，指数因子限定指标可以为指示特定指数因子类型的指数影响因子对模型需要达到的目的的限制性要求，可以根据实际情况预先进行设置或配置。此外，指数分类分析函数层中可以包括多个指数因子类型下的待定指数影响因子，不同的指数因子类型下的待定指数影响因子可以具有不同的指数因子限定指标，因此，在确定完成拟合的待定指数影响因子对应的指数因子类型后，则可以根据指数因子限定指标，对该指数因子类型下的待定指数影响因子进行提取，以避免不符合限定指标的情况。

步骤60、将目标指数影响因子应用于指数分析单元，以将该目标指数影响因子应用于指数分类分析函数层中，创建目标租赁指数分析模型。

本实施例中，在从指数影响因子序列中确定待定指数影响因子，并进一步地确定目标指数影响因子后，由于目标指数影响因子之间还有可能存在相互影响的情况，基于此，本实施例中，还可以包括以下的步骤：

1、将所述目标指数影响因子按照预设的次序整理规则加入设定的因子队列，以并根据所述因子队列中各目标指数影响因子的排列顺序确定各目标指数影响因子的因子权重；

2、根据所述因子权重，对所述目标指数影响因子进行拟合分析；详细地，可以对匹配同一指数因子类型的目标指数影响因子进行拟合分析，得到拟合分析结果；然后，根据所述拟合分析结果，对所述指数因子类型对应的目标指数影响因子进行提取，得到提取后的目标指数影响因子；最后， 根据所述提取后目标指数影响因子的因子权重，从所述提取后目标指数影响因子中确定检测通过的目标指数影响因子；

3、将完成拟合分析的目标指数影响因子应用于所述指数分析单元，以将所述目标指数影响因子应用于所述指数分类分析函数层中，创建目标租赁指数分析模型。

如此，可以综合考虑较为重要的指数影响因子，带入各指数影响因子的因子权重进行拟合分析，使得拟合分析之后得到的指数分析单元在后续进行租赁指数分析的过程中更能贴合实际场景，进而使得分析结果更具参考性。同时，加入因子权重，可以在目标指数影响因子之间相互影响的情况下通过因子权重的方式进行解决。

步骤70，使用所述目标租赁指数分析模型对采集的互联网租赁大数据进行租赁指数分析，得到对应的租赁指数分析结果。

本实施例中，通过创建得到的目标租赁指数分析模型即可用于对采集的互联网租赁大数据进行租赁指数分析，得到相应的租赁指数分析结果。得到结果后，可以将分析结果进行后期的应用。

步骤70，使用所述目标租赁指数分析模型对采集的互联网租赁大数据进行租赁指数分析，得到对应的租赁指数分析结果。

例如，在一种应用场景中，所述分析结果可用于向租赁用户进行相应的信息推送，以利于租赁用户根据推送的信息进行参考，以更好的使用云平台100提供的租赁相关服务。示例性地，一种应用的方式如下步骤71-74所述，下面进行示例性的描述。

步骤71，基于互联网获取目标租赁用户的互联网租赁信息。

步骤72，将所述目标租赁用户的互联网租赁信息输入预先训练得到的租赁用户聚类模型中，得到所述目标租赁用户所属的至少一个用户聚类。

步骤73，响应于针对所述目标租赁用户的租赁指数推送请求，根据所述至少一个用户聚类从所述租赁指数分析结果中获取与所述至少一个用户聚类匹配的租赁指数分析数据。

步骤74，将所述匹配的租赁指数分析数据按照预设的信息推送方式推送给所述目标租赁用户。

基于上述内容，本发明实施例中，作为一种示例，所述多个指数分析单元可以包括，但不限于，区域指数分析单元、人群指数分析单元、价格指数分析单元。如此，上述步骤60中，使用所述目标租赁指数分析模型对采集的互联网租赁大数据进行租赁指数分析，得到对应的租赁指数分析结果，可以包括一下内容。

首先，将所述采集的所述互联网租赁大数据进行数据筛分，得到分别用于进行区域指数分析、人群指数分析以及价格指数分析的第一大数据集合、第二大数据集合、以及第三大数据集合；

其次，通过所述区域指数分析单元对所述第一大数据集合进行区域租赁指数分析，得到与不同租赁区域对应的区域租赁指数分析结果；

然后，通过所述人群指数分析单元对所述第二大数据集合进行区域租赁指数分析，得到与不同人群聚类对应的人群租赁指数分析结果；

最后，通过所述价格指数分析单元对所述第三大数据集合进行区域租赁指数分析，得到与不同的消费价格区间对应的价格租赁指数分析结果。

在上述内容的基础上，所述至少一个用户聚类也可以包括但不限于，所述目标租赁用户所对应的区域聚类、人群聚类、以及消费价格聚类。例如，可以通过所述目标租赁用户的用户信息进行用户聚类分析，分析出目标租赁用户所在的地理区域（行政区域、省市级区域等）、所述的人群聚类（如上班族、白领、工薪阶层等）、以及消费价格聚类（如目标租赁用户的月均消费能力所在的消费价格区间）。

基于上述内容，所述步骤73中响应于针对所述目标租赁用户的租赁指数推送请求，根据所述至少一个用户聚类从所述租赁指数分析结果中获取与所述至少一个用户聚类匹配的租赁指数分析数据，可以通过以下方式实现。

1、将所述区域聚类与所述区域租赁指数分析结果进行匹配分析，得到与所述目标租赁用户对应的区域租赁指数分析数据。

2、将所述人群聚类与所述人群租赁指数分析结果进行匹配分析，得到与所述目标租赁用户对应的人群租赁指数分析数据，得到与所述目标租赁用户对应的人群租赁指数分析数据。

3、将所述消费价格聚类与所述价格租赁指数分析结果进行匹配分析，得到与所述目标租赁用户对应的价格租赁指数分析数据；

4、根据所述区域租赁指数分析数据、所述人群租赁指数分析数据以及所述价格租赁指数分析数据，得到与所述至少一个用户聚类匹配的租赁指数分析数据。所述租赁指数分析数据可以是图表化的呈现形式，例如通过云平台1的在线交互界面直接展现给目标租赁用户。

进一步地，本实施例中，上述的租赁用户聚类模型可以是预先通过模型训练得的。本实施例中，创造性地提供一种通过正向标签和负向标签对应的训练样本，并结合标签拓展的方式实现模型训练，使得训练得到的模型的模型识别性能及模型应用效果更好。详细地，训练得到所述租赁用户聚类模型的方式具体描述如下。

第一，针对预先确定的各种目标用户聚类类型，获取多个第一样本聚类标签信息和多个第二样本聚类标签信息。其中，第一样本聚类标签信息为具有正向标签标识的聚类标签信息，第二样本聚类标签信息为具有负向标签标识的聚类标签信息，第一样本聚类标签信息和第二样本聚类标签信息分别包括与所述目标用户聚类类型的正向标签标识和负向标签标识，所述第一样本聚类标签信息与所述目标用户聚类类型的正向标签标识与所述目标用户聚类类型正相关，所述第二样本聚类标签信息与所述目标用户聚类类型的负向标签标识与所述目标用户聚类类型负相关。

第二，对所述第一样本聚类标签信息和第二样本聚类标签信息中的多个标签信息进行拓展，得到所述第一样本聚类标签信息对应的第一标签拓展样本，以及所述第二样本聚类标签信息对应的第二标签拓展样本。

第三，根据所述第一标签拓展样本和第二标签拓展样本中的标签信息与所述目标用户聚类类型对应的参考标签信息的匹配系数，分别更新第一标签拓展样本和第二标签拓展样本的标签信息中与所述目标用户聚类类型的正向标签标识。

第四，根据所述第一样本聚类标签信息和第二样本聚类标签信息、以及第一标签拓展样本和第二标签拓展样本，对所述租赁用户聚类模型进行迭代模型训练，直到模型收敛后，得到训练后的租赁用户聚类模型。

在上述步骤中，其中，所述对所述第一样本聚类标签信息和第二样本聚类标签信息的多个标签信息进行拓展，得到所述第一样本聚类标签信息对应的第一标签拓展样本，以及所述第二样本聚类标签信息对应的第二标签拓展样本，可以包括以下步骤：

首先，确定待进行标签信息拓展的第一样本聚类标签信息和第二样本聚类标签信息；

其次，拓展所述第一样本聚类标签信息和第二样本聚类标签信息中多个具有相同标签标识的标签信息，得到所述第一样本聚类标签信息对应的第一标签拓展样本，以及所述第二样本聚类标签信息对应的第二标签拓展样本；标签拓展例如可以是将标签信息按照当前的标签类型进行相同类型的标签拓展或者不同类型的标签拓展，以增加样本的数量，同时使得训练得到的模型具有更宽泛的用户聚类识别能力；

接着，分别拓展第一标签拓展样本和第二标签拓展样本的标签信息中与所述目标用户聚类类型的正向标签标识：

然后，根据所述第一标签拓展样本中被拓展后的标签信息，提取所述第一标签拓展样本对应的第一标签信息描述分量，根据所述第二标签拓展样本中被拓展后的标签信息，提取所述第二标签拓展样本对应的第二标签信息描述分量；上述的标签信息描述分量可以是通过特征转换的按时将样本中的标签信息转换为特征向量，作为对应的描述分量；

接着，根据所述第一标签拓展样本的第一标签信息描述分量与所述参考标签信息对应的参考标签信息描述分量，得到所述第一标签拓展样本与所述目标用户聚类类型的第一匹配系数，并根据所述第二标签拓展样本的第二标签信息描述分量与所述参考标签信息对应的参考标签信息描述分量，得到所述第二标签拓展样本与所述目标用户聚类类型的第二匹配系数；

最后，根据所述第一匹配系数和所述第二匹配系数分别拓展所述第一标签拓展样本和所述第二标签拓展样本的标签信息中与所述目标用户聚类类型的正向标签标识。

进一步地，所述拓展所述第一样本聚类标签信息和第二样本聚类标签信息中多个具有相同标签标识的标签信息，得到所述第一样本聚类标签信息对应的第一标签拓展样本，以及所述第二样本聚类标签信息对应的第二标签拓展样本，可以包括以下A和B的任意一种方式。

A、将所述第一样本聚类标签信息和第二样本聚类标签信息按照相同的类别划分模式，组成类型对应的多个聚类标签信息序列；从所述第一样本聚类标签信息和第二样本聚类标签信息中获取多个对应具有相同标签标识的聚类标签信息序列进行拓展，得到所述第一样本聚类标签信息对应的第一标签拓展样本，以及所述第二样本聚类标签信息对应的第二标签拓展样本。

B、在所述第一样本聚类标签信息中随机确定多个标签信息作为第一候选标签信息；根据所述第一候选标签信息确定第二样本聚类标签信息中对应具有相同标签标识的第二候选标签信息；对所述第一样本聚类标签信息和第二样本聚类标签信息中的所述第一候选标签信息和所述第二候选标签信息进行拓展，得到所述第一样本聚类标签信息对应的第一标签拓展样本，以及所述第二样本聚类标签信息对应的第二标签拓展样本。

进一步地，所述从所述第一样本聚类标签信息和第二样本聚类标签信息中获取多个对应具有相同标签标识的聚类标签信息序列进行拓展，得到所述第一样本聚类标签信息对应的第一标签拓展样本，以及所述第二样本聚类标签信息对应的第二标签拓展样本，可以包括以下内容。

（1）随机确定所述第一样本聚类标签信息和第二样本聚类标签信息的聚类标签信息序列的拓展数量。

（2）对所述第一样本聚类标签信息和第二样本聚类标签信息的聚类标签信息序列设置序列编号，得到聚类标签信息序列的编号队列。

（3）从所述聚类标签信息序列的编号队列中，根据所述拓展数量获取所述拓展数量的目标序列编号。

（4）拓展所述第一样本聚类标签信息和第二样本聚类标签信息中所述目标序列编号对应的聚类标签信息序列，得到所述第一样本聚类标签信息对应的第一标签拓展样本，以及所述第二样本聚类标签信息对应的第二标签拓展样本。

在一种可能的实施方式中，本发明提供的所述租赁用户聚类模型可以包括特征提取单元和聚类预测单元，基于此，对所述租赁用户聚类模型进行模型训练的详细步骤示例性描述如下。

首先，将所述第一样本聚类标签信息和第二样本聚类标签信息、以及第一标签拓展样本和第二标签拓展样本，作为所述租赁用户聚类模型的模型训练样本。

其次，通过所述特征提取单元对每个所述模型训练样本进行特征提取得到聚类标签信息对应的聚类信息描述分量。

然后，通过所述聚类预测单元根据所述聚类标签信息的聚类信息描述分量以及所述目标用户聚类类型对应的参考标签信息对应的参考聚类描述分量，对所述模型训练样本进行正向标签标识的聚类标签信息和负向标签标识的聚类标签信息的正向聚类预测，并根据所述模型训练样本的正向聚类预测结果，得到所述租赁用户聚类模型的模型评价指标，并根据所述模型评价指标，对所述租赁用户聚类模型的模型参数进行迭代更新，直到满足收敛条件，得到训练后的租赁用户聚类模型。

其中，所述模型训练样本的正向聚类预测结果可以包括模型训练样本与目标用户聚类类型的正向标签标识； 所述根据所述模型训练样本的正向聚类预测结果，得到所述租赁用户聚类模型的模型评价指标，包括：

首先，根据所述模型训练样本中包括的与所述目标用户聚类类型的正向标签标识，和所述正向聚类预测结果中与目标用户聚类类型的正向标签标识，得到所述租赁用户聚类模型的第一模型评价指标；

然后，根据所述模型训练样本中包括的与目标用户聚类类型的负向标签标识，和所述正向聚类预测结果中与目标用户聚类类型的正向标签标识，得到所述租赁用户聚类模型的第二模型评价指标；

最后，根据所述第一模型评价指标和第二模型评价指标，得到所述租赁用户聚类模型的模型评价指标。

如图3所示，是本发明实施例提供的所述云平台100的架构示意图。本实施例中，所述云平台100可以包括租赁指数分析系统110、机器可读存储介质120和处理器130。示例性地，本实施例中，机器可读存储介质120与处理器130可以相互通信连接，由处理器130通过总线接口来访问。租赁指数分析系统110可以包括存储在机器可读存储介质120的软件功能模块。当处理器130执行租赁指数分析系统110中的软件功能模块时，可以实现本发明实施例提供的基于互联网的租赁指数分析方法。

本实施例中，如图4所示，所述租赁指数分析系统110可以包括以下的功能模块：

分类信息获取模块1101，用于获取待创建的目标租赁指数分析模型对应的租赁应用环境的指数因子分类信息；

分析函数创建模块1101，用于根据所述指数因子分类信息，在选定租赁指数分析模型中创建多个指数分类对应的指数分类分析函数层，其中，所述指数分类分析函数层包括多个指数分析单元，所述指数分析单元用于将所述选定租赁指数分析模型分为多个指数分析维度；

因子序列创建模块1103，用于创建待应用于所述指数分类分析函数层中的指数影响因子序列，其中，所述指数影响因子序列包括多个指数影响因子；

映射分析模块1104，用于将所述指数影响因子序列与所述指数分类分析函数层中的指数分析单元进行函数因子映射分析，得到适用于所述指数分析单元的待定指数影响因子；

因子提取模块1105，用于根据所述待定指数影响因子与所述指数分析单元之间的函数因子对应关系，从所述待定指数影响因子中提取出目标指数影响因子；

分析模型创建模块1106，用于将所述目标指数影响因子应用于所述指数分析单元，以将所述目标指数影响因子应用于所述指数分类分析函数层中，创建目标租赁指数分析模型；

租赁指数分析模块1107，用于使用所述目标租赁指数分析模型对采集的互联网租赁大数据进行租赁指数分析，得到对应的租赁指数分析结果。

上述1101-1107标号对应的各功能模块可以分别对应执行本实施图2中的步骤10-70的步骤，关于这些模块的详细实现方案，可以参对应步骤的描述，此处不再赘述。

综上所述，本发明实施例通过获取待创建的目标租赁指数分析模型对应的指数因子分类信息；根据所述指数因子分类信息，在选定租赁指数分析模型中创建指数分类分析函数层，其中，所述指数分类分析函数层包括多个指数分析单元，所述指数分析单元用于将所述选定租赁指数分析模型分为多个指数分析维度；创建待应用于所述指数分类分析函数层中的指数影响因子序列，其中，所述指数影响因子序列包括多个指数影响因子；将所述指数影响因子与所述指数分类分析函数层中的指数分析单元进行函数因子映射分析，得到适用于所述指数分析单元的待定指数影响因子；根据所述待定指数影响因子与所述指数分析单元之间的函数因子对应关系，从所述待定指数影响因子中提取出目标指数影响因子；将所述目标指数影响因子应用于所述指数分析单元，以将所述目标指数影响因子应用于所述指数分类分析函数层中，创建目标租赁指数分析模型。

如此，可以根据待创建的目标租赁指数分析模型的指数因子分类信息，来创建与指数因子分类匹配的指数分类分析函数层，这可以使得最后根据该指数分类分析函数层所创建的目标租赁指数分析模型具有较好的分析性能，所得到的分析数据具有较好的参考性，以及较多维度的参考价值，有利于后续根据租赁指数的分析结果进行后续的应用，例如基于租赁指数的租赁信息的推送等应用。此外，本实施例在将指数影响因子应用于指数分类分析函数层中的指数分析单元时，既考虑了指数影响因子与指数分析单元之间的函数因子映射分析的情况，又考虑了指数影响因子与指数分析单元之间的函数因子对应关系，这能够极大地提高租赁指数分析模型的指数分析性能和应用效果。

以上所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，在附图中提供的本发明的实施例的详细描述并非旨在限制本发明的保护范围，而仅仅是表示本发明的选定实施例。因此，本发明的保护范围应以权利要求的保护范围为准。此外，根据本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下可获得的所有其它实施例，都应属于本发明保护的范围。