基于环境精细化分区的酒类仓储管理系统的制作方法

1.本发明属于涉及酒类仓储管理技术领域，具体是基于环境精细化分区的酒类仓储管理系统。


背景技术：

2.在酒类仓储管理过程中，保证酒的质量和保质时长是至关重要的，然而传统的仓储管理方法通常没有充分考虑到环境因素对酒品质的影响，只基于物理位置进行管理，缺乏对环境因素的细致考量；在现有技术中，仓储管理也是通常只考虑单一因素，如温度或湿度，缺乏综合考虑酒的价格和保质时长等因素，只是基于简单的仓库划分或温度控制来进行的仓储策略的制定，这种方式由于缺乏对环境因素的精细管理及对酒类产品的环境数据和价格综合考虑，无法为不同酒品提供个性化的仓储环境，因受到仓储过程中不适宜的环境影响，导致不同酒类产品质量和价格损失较大；因此，需要一种基于环境精细化分区的酒类仓储管理系统，实现对仓储位置按环境数据进行智能的精细化分区，并在分区后制定综合考虑酒的价格和保质时长的仓储策略，以降低酒在仓储过程中的质量损失，保证经销商的利益；为此，本发明提出基于环境精细化分区的酒类仓储管理系统。


技术实现要素：

3.本发明旨在至少解决现有技术中存在的技术问题之一，为此，本发明提出基于环境精细化分区的酒类仓储管理系统，该仓储管理系统降低了酒在仓储过程中的质量损失，保证了经销商的利益。
4.为实现上述目的，根据本发明的第一方面的实施例提出基于环境精细化分区的酒类仓储管理系统，包括训练数据收集模块、保鲜时长预测模型训练模块、仓储数据收集模块、保鲜时长预测模块以及仓储管理模块；其中，各个模块之间通过有线和/或无线网络方式连接；其中，所述训练数据收集模块主要用于预先收集若干组历史训练数据；其中，所述历史训练数据包括每种酒类型在仓储空间的历史存储过程中获得的仓储环境数据集合以及酒标签数据集合；所述酒类型根据不同的酿造方式进行划分，包括但不限于红葡萄酒、香槟、威士忌、清酒以及白酒等；所述仓储环境数据包括仓储空间中的平均温度、平均湿度、平均光照强度以及平均气流速度；其中，温度、湿度、光照强度以及气流速度可分别使用温度传感器、湿度传感器、光照强度以及气流速度传感器实时获得；而平均温度、平均湿度、平均光照强度以及平均气流速度为在仓储空间中，在预设的存储周期中，温度、湿度、光照强度以及气流速度的平均值；
所述酒标签数据包括每种酒类型在每组仓储环境数据中保质的时长；所述训练数据收集模块将收集的历史训练数据发送至保鲜时长预测模型训练模块；所述保鲜时长预测模型训练模块主要用于利用历史训练数据训练出预测每种酒类型保存时长的机器学习模型；训练出预测每种酒类型保存时长的机器学习模型的方式为：将酒类型的编号标记为，将第种酒类型的仓储环境数据集合标记为，仓储环境数据集合中每组仓储环境数据的编号标记为；将第种酒类型的仓储环境数据集合对应的酒标签数据集合标记为；对于第种酒类型，将每组仓储环境数据组合为特征向量的形式，特征向量中的元素包括平均温度、平均湿度、平均光照强度以及平均气流速度；所有特征向量的集合作为机器学习模型的输入，所述机器学习模型以对每组仓储环境数据预测的酒标签数据作为输出，对于第组仓储环境数据以第组酒标签数据作为预测目标，以最小化所有预测的酒标签数据的预测准确度之和作为训练目标；其中，预测准确度的计算公式为；，其中，为预测准确度，为第组仓储环境数据对应的预测的酒标签数据，为第组仓储环境数据对应的酒标签数据集合中第个酒标签数据；对机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练；所述保鲜时长预测模型训练模块将训练完成的机器学习模型发送至保鲜时长预测模块；其中，所述仓储数据收集模块主要用于收集待管理仓储空间的仓储数据；所述仓储数据包括酒基础数据以及仓储空间划分数据；其中，所述酒基础数据包括所有酒类型对应的待仓储的品牌酒的数量、每瓶酒占据空间的大小以及每瓶酒的价格；所述品牌酒为每种酒类型对应的不同品牌和的酒，例如白酒可以划分为若干品牌以及各个系列，每种品牌和系列的价格和占据的空间不同；所述仓储空间划分数据根据仓储环境分布数据进行划分；所述仓储环境分布数据包括在预先为待管理的仓储空间划分出若干子空间，再收集每个子空间中的仓储环境数据；对仓储空间划分的子空间的大小和数量根据仓库空间的实际大小、实际位置、实际建筑布局以及实际环境的具体情况，按经验而定；将每个子空间的编号标记为k，将第k个子空间中的平均温度、平均湿度、平均光照强度以及平均气流速度分别标记为dk、ek、fk以及gk；将每个子空间的空间大小标记为sk；计算第k个子空间的环境权值hk，其中，环境权值hk的计算公式为；其中，和分别为预设的比例系数；预设n个环境等级，并将环境等级的编号标记为n；为第n个环境等级设置环境权值下限值hn，则第n个级别的受损程度级别的损伤系数范围为hn至h(n+1)之间；可以理解的
是，通过设置环境等级，将仓储空间按相近环境数据进行区域划分；根据第k个子空间的环境权值hk，匹配第k个子空间所对应的环境等级；将第n个环境等级所匹配的子空间编号的集合标记为kn；仓储空间划分数据包括所有环境等级下对应的子空间编号的集合、每个子空间的仓储环境数据以及每个子空间的空间大小；所述仓储数据收集模块将仓储空间划分数据发送至保鲜时长预测模块以及仓储管理模块；其中，所述保鲜时长预测模块主要用于基于机器学习模型和仓储空间划分数据，预估每种酒类型在不同的环境等级下，保质的时长；预估每种酒类型在不同的环境等级下，保质的时长的方式为：计算每个环境等级的平均仓储环境数据；所述平均仓储环境数据包括平均温度均值、平均湿度均值、平均光照强度均值以及平均气流速度均值，并分别标记为dkn、ekn、fkn以及gkn；计算每个环境等级的平均仓储环境数据的方式为：对于第n个环境等级：平均温度均值；平均湿度均值；平均光照强度均值；平均气流速度均值；将第n个区域的平均仓储环境数据作为第j个机器学习模型的输入，获得第j个机器学习模型输出的第j种酒类型在第n个区域的保质时长的预测；将预测的第j种酒类型在第n个区域的保质时长标记为mjn；所述保鲜时长预测模块将所有预测的保质时长发送至仓储管理模块；所述保鲜时长预测模块主要用于基于仓储空间划分数据和预测的保质时长，对所有酒类型的酒进行仓储位置的分配；对所有酒类型的酒进行仓储位置的分配的方式为：计算第n个环境等级的总空间大小on；其中，总空间大小on的计算公式为；将第j种酒类型的品牌酒编号标记为rj，将第rj种品牌酒的数量标记为trj，将每瓶第rj种品牌酒占据空间的大小标记为urj，将每瓶第rj种品牌酒的价格标记为vrj；为第rj种品牌酒设置一个分配变量xrjn；所述分配变量xrjn是指第rj种品牌酒分配至第n个环境等级的数量；设计优化目标函数y；其中，优化目标函数；可以理解的是，在目标优化函数y中，当第rj种品牌酒的价格越高时或保质时长越长时，为其划分的数量越大对优
化目标函数的贡献越大，因此，为了获得更大的优化目标函数，在对品牌酒分配时会考虑将价格高和保质时长作为重要参考目标；设计约束目标集合z，其中约束目标集合z包括：；其中，用于限制分配的第rj种品牌酒的数量不大于其数量；用于限制被分配至每个环境等级的空间不大于该环境等级的总空间大小；为正值限制；是指对于任意的，同理是指对于任意的，是指对于任意的以及任意的；以最小化优化目标函数y为线性规划问题的优化目标，以约束目标集合z作为线性规划问题的约束目标集合，使用线性规划求解工具对该整数规划问题进行求解，得到解集合；根据解集合中每个分配变量的值，将第rj种品牌酒分配至第n个环境等级中的数量设置为xrij的值；具体的在第n个环境等级中的分配位置根据实际情况随机选择。
5.与现有技术相比，本发明的有益效果是：本发明是通过预先收集若干组历史训练数据，再利用历史训练数据训练出预测每种酒类型保存时长的机器学习模型，对待管理的仓储空间分割为若干子空间，再对每个子空间收集仓储环境数据，为仓储环境设置不同的环境等级，再计算出每个环境等级下的平均的仓储环境数据，从而利用机器学习模型可以获得在不同的仓储环境下，不同种类型的酒所能保质的时长，再通过建立出综合考虑品牌酒的价格以及保质时长的线性规划模型，通过求解线性规划模型的最优解，获得对所有酒类型的酒进行仓储位置的分配的仓储策略；实现对仓储位置按环境数据进行智能的精细化分区，并在分区后制定了综合考虑酒的价格和保质时长的仓储策略，降低了酒在仓储过程中的质量损失，保证了经销商的利益。
附图说明
6.图1为本发明实施例1中基于环境精细化分区的酒类仓储管理系统的模块连接关系图。
具体实施方式
7.下面将结合实施例对本发明的技术方案进行清楚、完整的描述，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
8.实施例1如图1所示，基于环境精细化分区的酒类仓储管理系统，包括训练数据收集模块、保鲜时长预测模型训练模块、仓储数据收集模块、保鲜时长预测模块以及仓储管理模块；其中，各个模块之间通过有线和/或无线网络方式连接；
其中，训练数据收集模块主要用于预先收集若干组历史训练数据；其中，历史训练数据包括每种酒类型在仓储空间的历史存储过程中获得的仓储环境数据集合以及酒标签数据集合；酒类型根据不同的酿造方式进行划分，包括但不限于红葡萄酒、香槟、威士忌、清酒以及白酒等；在一个优选的实施例中，仓储环境数据包括仓储空间中的平均温度、平均湿度、平均光照强度以及平均气流速度；其中，温度、湿度、光照强度以及气流速度可分别使用温度传感器、湿度传感器、光照强度以及气流速度传感器实时获得；而平均温度、平均湿度、平均光照强度以及平均气流速度为在仓储空间中，在预设的存储周期中，温度、湿度、光照强度以及气流速度的平均值；该存储周期可以是一天、一周或一月等，具体的长度根据实际仓储需求而确定；可以理解的是，对于不同的酒类：温度、湿度、光照强度以及气流速度均会对酒的品质产生影响；具体的：适宜的存储温度是保持酒类品质的关键；适度的湿度有助于保持酒瓶的密封性，防止酒中的酒精蒸发，以及防止酒标和封口材料受潮；酒类应避免长时间暴露在阳光直射下；适当的通风有助于酒类中的气味和气体的扩散和排除，有助于保持酒的新鲜度；酒标签数据包括每种酒类型在每组仓储环境数据中保质的时长；可以理解的是，该时长通过每隔预设的数据采集时长对酒进行专业质量评测，在评测为质量变质时获得；训练数据收集模块将收集的历史训练数据发送至保鲜时长预测模型训练模块；保鲜时长预测模型训练模块主要用于利用历史训练数据训练出预测每种酒类型保存时长的机器学习模型；训练出预测每种酒类型保存时长的机器学习模型的方式为：将酒类型的编号标记为，将第种酒类型的仓储环境数据集合标记为，仓储环境数据集合中每组仓储环境数据的编号标记为；将第种酒类型的仓储环境数据集合对应的酒标签数据集合标记为；可以理解的是，酒标签数据集合中第个酒标签数据对应第个仓储环境数据；对于第种酒类型，将每组仓储环境数据组合为特征向量的形式，特征向量中的元素包括平均温度、平均湿度、平均光照强度以及平均气流速度；所有特征向量的集合作为机器学习模型的输入，机器学习模型以对每组仓储环境数据预测的酒标签数据作为输出，对于第组仓储环境数据以第组酒标签数据作为预测目标，以最小化所有预测的酒标签数据的预测准确度之和作为训练目标；其中，预测准确度的计算公式为；，其中，为预测准确度，为第组仓储环境数据对应的预测的酒标签数据，为第组仓储环境数据对应的酒标签数据集合中第个酒标签数据；对机器学习模型进行
训练，直至预测准确度之和达到收敛时停止训练；优选的，机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；需要说明的是，机器学习模型的其他的模型参数，例如网络模型的深度、每层的神经元数量、网络模型使用的激活函数、收敛条件、训练集测试集验证集比例以及损失函数等均通过实际的工程实现，不断地进行实验调优后获得；保鲜时长预测模型训练模块将训练完成的机器学习模型发送至保鲜时长预测模块；其中，仓储数据收集模块主要用于收集待管理仓储空间的仓储数据；在一个优选的实施例中，仓储数据包括酒基础数据以及仓储空间划分数据；其中，酒基础数据包括所有酒类型对应的待仓储的品牌酒的数量、每瓶酒占据空间的大小以及每瓶酒的价格；品牌酒为每种酒类型对应的不同品牌和的酒，例如白酒可以划分为若干品牌以及各个系列，每种品牌和系列的价格和占据的空间不同；仓储空间划分数据根据仓储环境分布数据进行划分；仓储环境分布数据包括在预先为待管理的仓储空间划分出若干子空间，再收集每个子空间中的仓储环境数据；对仓储空间划分的子空间的大小和数量根据仓库空间的实际大小、实际位置、实际建筑布局以及实际环境的具体情况，按经验而定；将每个子空间的编号标记为k，将第k个子空间中的平均温度、平均湿度、平均光照强度以及平均气流速度分别标记为dk、ek、fk以及gk；将每个子空间的空间大小标记为sk；计算第k个子空间的环境权值hk，其中，环境权值hk的计算公式为；其中，和分别为预设的比例系数；预设n个环境等级，并将环境等级的编号标记为n；为第n个环境等级设置环境权值下限值hn，则第n个级别的受损程度级别的损伤系数范围为hn至h(n+1)之间；可以理解的是，通过设置环境等级，将仓储空间按相近环境数据进行区域划分；根据第k个子空间的环境权值hk，匹配第k个子空间所对应的环境等级；可以理解的是，每个环境等级均会被若干个子空间匹配；将第n个环境等级所匹配的子空间编号的集合标记为kn；仓储空间划分数据包括所有环境等级下对应的子空间编号的集合、每个子空间的仓储环境数据以及每个子空间的空间大小；仓储数据收集模块将仓储空间划分数据发送至保鲜时长预测模块以及仓储管理模块；其中，保鲜时长预测模块主要用于基于机器学习模型和仓储空间划分数据，预估每种酒类型在不同的环境等级下，保质的时长；在一个优选的实施例中，预估每种酒类型在不同的环境等级下，保质的时长的方式为：计算每个环境等级的平均仓储环境数据；平均仓储环境数据包括平均温度均值、平均湿度均值、平均光照强度均值以及平均气流速度均值，并分别标记为dkn、ekn、fkn以及gkn；
计算每个环境等级的平均仓储环境数据的方式为：对于第n个环境等级：平均温度均值；平均湿度均值；平均光照强度均值；平均气流速度均值；将第n个区域的平均仓储环境数据作为第j个机器学习模型的输入，获得第j个机器学习模型输出的第j种酒类型在第n个区域的保质时长的预测；将预测的第j种酒类型在第n个区域的保质时长标记为mjn；保鲜时长预测模块将所有预测的保质时长发送至仓储管理模块；在一个优选的实施例中，保鲜时长预测模块主要用于基于仓储空间划分数据和预测的保质时长，对所有酒类型的酒进行仓储位置的分配；在一个优选的实施例中，对所有酒类型的酒进行仓储位置的分配的方式为：计算第n个环境等级的总空间大小on；其中，总空间大小on的计算公式为；将第j种酒类型的品牌酒编号标记为rj，将第rj种品牌酒的数量标记为trj，将每瓶第rj种品牌酒占据空间的大小标记为urj，将每瓶第rj种品牌酒的价格标记为vrj；为第rj种品牌酒设置一个分配变量xrjn；分配变量xrjn是指第rj种品牌酒分配至第n个环境等级的数量；设计优化目标函数y；其中，优化目标函数；可以理解的是，在目标优化函数y中，当第rj种品牌酒的价格越高时或保质时长越长时，为其划分的数量越大对优化目标函数的贡献越大，因此，为了获得更大的优化目标函数，在对品牌酒分配时会考虑将价格高和保质时长作为重要参考目标；设计约束目标集合z，其中约束目标集合z包括：；其中，用于限制分配的第rj种品牌酒的数量不大于其数量；用于限制被分配至每个环境等级的空间不大于该环境等级的总空间大小；为正值限制；是指对于任意的，同理是指对于任意的，
是指对于任意的以及任意的；以最小化优化目标函数y为线性规划问题的优化目标，以约束目标集合z作为线性规划问题的约束目标集合，使用线性规划求解工具对该整数规划问题进行求解，得到解集合；根据解集合中每个分配变量的值，将第rj种品牌酒分配至第n个环境等级中的数量设置为xrij的值；具体的在第n个环境等级中的分配位置根据实际情况随机选择。
9.上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
10.以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

技术特征：
1.基于环境精细化分区的酒类仓储管理系统，其特征在于，包括训练数据收集模块、保鲜时长预测模型训练模块、仓储数据收集模块、保鲜时长预测模块以及仓储管理模块；其中，各个模块之间通过有线和/或无线网络方式连接；训练数据收集模块，预先收集若干组历史训练数据，并将收集的历史训练数据发送至保鲜时长预测模型训练模块；保鲜时长预测模型训练模块，利用历史训练数据训练出预测每种酒类型保存时长的机器学习模型，并将训练完成的机器学习模型发送至保鲜时长预测模块；仓储数据收集模块，收集待管理仓储空间的仓储数据，并将仓储空间划分数据发送至保鲜时长预测模块以及仓储管理模块；保鲜时长预测模块，基于机器学习模型和仓储空间划分数据，预估每种酒类型在不同的环境等级下保质的时长，并将所有预测的保质时长发送至仓储管理模块；保鲜时长预测模块，基于仓储空间划分数据和预测的保质时长，对所有酒类型的酒进行仓储位置的分配。2.根据权利要求1所述的基于环境精细化分区的酒类仓储管理系统，其特征在于，所述历史训练数据包括每种酒类型在仓储空间的历史存储过程中获得的仓储环境数据集合以及酒标签数据集合；所述仓储环境数据包括仓储空间中的平均温度、平均湿度、平均光照强度以及平均气流速度；平均温度、平均湿度、平均光照强度以及平均气流速度为在仓储空间中，在预设的存储周期中，温度、湿度、光照强度以及气流速度的平均值；所述酒标签数据包括每种酒类型在每组仓储环境数据中保质的时长。3.根据权利要求2所述的基于环境精细化分区的酒类仓储管理系统，其特征在于，训练出预测每种酒类型保存时长的机器学习模型的方式为：将酒类型的编号标记为，将第种酒类型的仓储环境数据集合标记为，仓储环境数据集合中每组仓储环境数据的编号标记为；将第种酒类型的仓储环境数据集合对应的酒标签数据集合标记为；对于第种酒类型，将每组仓储环境数据组合为特征向量的形式，特征向量中的元素包括平均温度、平均湿度、平均光照强度以及平均气流速度；所有特征向量的集合作为机器学习模型的输入，所述机器学习模型以对每组仓储环境数据预测的酒标签数据作为输出，对于第组仓储环境数据以第组酒标签数据作为预测目标，以最小化所有预测的酒标签数据的预测准确度之和作为训练目标；其中，预测准确度的计算公式为；，其中，为预测准确度，为第组仓储环境数据对应的预测的酒标签数据，为第组仓储环境数据对应的酒标签数据集合中第个酒标签数据；对机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练。4.根据权利要求3所述的基于环境精细化分区的酒类仓储管理系统，其特征在于，所述仓储数据包括酒基础数据以及仓储空间划分数据；其中，所述酒基础数据包括所有酒类型对应的待仓储的品牌酒的数量、每瓶酒占据空
间的大小以及每瓶酒的价格；所述仓储空间划分数据根据仓储环境分布数据进行划分。5.根据权利要求4所述的基于环境精细化分区的酒类仓储管理系统，其特征在于，仓储空间划分数据根据仓储环境分布数据进行划分的方式为：所述仓储环境分布数据包括在预先为待管理的仓储空间划分出若干子空间，收集每个子空间中的仓储环境数据；将每个子空间的编号标记为k，将第k个子空间中的平均温度、平均湿度、平均光照强度以及平均气流速度分别标记为dk、ek、fk以及gk；将每个子空间的空间大小标记为sk；计算第k个子空间的环境权值hk，其中，环境权值hk的计算公式为；其中，和分别为预设的比例系数；预设n个环境等级，并将环境等级的编号标记为n；为第n个环境等级设置环境权值下限值hn，则第n个级别的受损程度级别的损伤系数范围为hn至h(n+1)之间；根据第k个子空间的环境权值hk，匹配第k个子空间所对应的环境等级；将第n个环境等级所匹配的子空间编号的集合标记为kn；仓储空间划分数据包括所有环境等级下对应的子空间编号的集合、每个子空间的仓储环境数据以及每个子空间的空间大小。6.根据权利要求5所述的基于环境精细化分区的酒类仓储管理系统，其特征在于，预估每种酒类型在不同的环境等级下，保质的时长的方式为：计算每个环境等级的平均仓储环境数据；所述平均仓储环境数据包括平均温度均值、平均湿度均值、平均光照强度均值以及平均气流速度均值，并分别标记为dkn、ekn、fkn以及gkn；将第n个区域的平均仓储环境数据作为第j个机器学习模型的输入，获得第j个机器学习模型输出的第j种酒类型在第n个区域的保质时长的预测。7.根据权利要求6所述的基于环境精细化分区的酒类仓储管理系统，其特征在于，计算每个环境等级的平均仓储环境数据的方式为：对于第n个环境等级：平均温度均值；平均湿度均值；平均光照强度均值；平均气流速度均值。8.根据权利要求7所述的基于环境精细化分区的酒类仓储管理系统，其特征在于，对所有酒类型的酒进行仓储位置的分配的方式为：将预测的第j种酒类型在第n个区域的保质时长标记为mjn；
计算第n个环境等级的总空间大小on；其中，总空间大小on的计算公式为；将第j种酒类型的品牌酒编号标记为rj，将第rj种品牌酒的数量标记为trj，将每瓶第rj种品牌酒占据空间的大小标记为urj，将每瓶第rj种品牌酒的价格标记为vrj；为第rj种品牌酒设置一个分配变量xrjn；所述分配变量xrjn是指第rj种品牌酒分配至第n个环境等级的数量；设计优化目标函数y；其中，优化目标函数；设计约束目标集合z，其中约束目标集合z包括：;其中，用于限制分配的第rj种品牌酒的数量不大于其数量；用于限制被分配至每个环境等级的空间不大于该环境等级的总空间大小；为正值限制；是指对于任意的，同理是指对于任意的，是指对于任意的以及任意的；以最小化优化目标函数y为线性规划问题的优化目标，以约束目标集合z作为线性规划问题的约束目标集合，使用线性规划求解工具对该整数规划问题进行求解，得到解集合；根据解集合中每个分配变量的值，将第rj种品牌酒分配至第n个环境等级中的数量设置为xrij的值。

技术总结
本发明公开了基于环境精细化分区的酒类仓储管理系统，涉及酒类仓储管理技术领域，本发明是通过设置训练数据收集模块预先收集若干组历史训练数据，设置保鲜时长预测模型训练模块利用历史训练数据训练出预测每种酒类型保存时长的机器学习模型，设置仓储数据收集模块收集待管理仓储空间的仓储数据，设置保鲜时长预测模块基于机器学习模型和仓储空间划分数据，预估每种酒类型在不同的环境等级下，保质的时长，设置保鲜时长预测模块，基于仓储空间划分数据和预测的保质时长，对所有酒类型的酒进行仓储位置的分配，降低了酒在仓储过程中的质量损失，保证了经销商的利益。保证了经销商的利益。保证了经销商的利益。


技术研发人员：蔡敏伟
受保护的技术使用者：酒仙网络科技股份有限公司
技术研发日：2023.06.02
技术公布日：2023/7/12