Dans le contexte de la stratégie « carbone dual » et du développement durable, la stratégie de marketing de la chaîne d'approvisionnement verte est devenue un moyen essentiel pour guider les entreprises et les consommateurs à former une conscience de la conservation de l'énergie et de la réduction des émissions. Cet article propose une structure de modèle de prédiction Bidirectional Long Short-Term Memory (BiLSTM) qui intègre la théorie des preuves et le clustering K-means pour traiter la modélisation complexe et dynamique de la sensibilisation à l'énergie dans la participation multi-agents, et construit un modèle de prédiction de la sensibilisation à l'énergie pour les chaînes d'approvisionnement vertes. Tout d'abord, l'utilisation de la théorie des preuves pour fusionner des informations multi-sources améliore la capacité à gérer l'incertitude des données et la robustesse des décisions. Ensuite, l'algorithme K-means a été utilisé pour regrouper les données historiques de comportement des différentes entités de la chaîne d'approvisionnement et identifier des modèles typiques de comportement énergétique. Enfin, sur la base des résultats de clustering, un modèle de prédiction BiLSTM est construit pour explorer les caractéristiques de comportement temporel et prédire et analyser les tendances d'évolution de la sensibilisation à l'énergie des différentes entités sous l'intervention de la stratégie de marketing vert. Les résultats expérimentaux montrent qu'en comparaison avec des modèles tels que CNN BiLSTM, la méthode proposée dans cet article a réduit l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne (MAE), tandis que la limite supérieure de l'erreur relative ne dépasse pas 8 %.
Menghan Chen (Jeu,) a étudié cette question.