知识卡片：行为条件化神经过程用于自适应住宅短期负荷预测

一句话结论
将推断出的家庭行为结构嵌入神经过程（Neural Process）的预测机制中，比仅用作外部分组信号更有效：在SGSC数据集上，最佳变体相比无行为标签的ANP基线平均降低MAE 7.9%、CRPS 6.9%，且在有限上下文场景下增益最大。

事件概述
住宅短期负荷预测（STLF）因家庭用电模式的异质性、时间波动性及行为习惯多样性而极具挑战。该研究提出一种行为条件化的注意力神经过程（Behaviour-Conditioned Attentive Neural Process）框架，将每个负荷曲线视为一个预测任务，通过离散潜变量建模行为结构、连续潜变量捕获跨异质用户的功能不确定性，并使用聚类信息在训练时提供弱监督，测试时仅依赖上下文推断的类别分布。实验在Smart Grid, Smart City (SGSC)数据集上进行，采用用户不重叠的划分、可变上下文长度和多步预测步长。

关键词
Behaviour-Conditioned Neural Processes; Residential Short-Term Load Forecasting; Attentive Neural Process; Probabilistic Forecasting; Weak Supervision

方法/产品要点

• 将住宅STLF建模为上下文条件化的概率预测问题，每个用户对应一个任务。
• 使用离散潜变量表示行为结构，通过上下文推断类别分布，用于解码器条件调整。
• 连续潜变量捕捉跨用户的功能不确定性（函数先验）。
• 训练时利用无监督聚类结果作为弱监督信号，避免对真实行为标签的依赖。
• 测试过程中仅依靠当前上下文推断行为类别分布，无需外部标签。

主要结果

• 与标签无关的ANP基线相比，提出的变体在所有上下文长度和预测步长上均提升MAE和CRPS。
• 最佳变体平均降低MAE 7.9%，CRPS 6.9%；在有限上下文条件下增益最显著。
• 与固定窗口的确定性STLF基线（如持久性模型等）相比，该变体在所有评估步长上获得更低的RMSE，同时保持与基线相当的MAE，表明在异质用电模式下大幅预测偏差更少。
• 支持单一模型的、不确定性感知的跨异质家庭、上下文和步长预测。

为什么重要
传统方法通常先对用户聚类再分别建模，或仅将聚类标签作为外部特征；该工作首次将行为结构直接融入神经过程的概率预测机制中，实现端到端学习，并且无需真实行为标签即可适配训练。此思路可推广到其他行为模式驱动的时序预测场景（如交通、能耗、健康监测），为单模型适配异质用户提供了新范式。

局限与不确定性

• 文中未讨论大规模用户数量下离散潜变量类别数的选择敏感性。
• 实验仅基于SGSC一个数据集（澳大利亚纽卡斯尔地区），泛化到其他区域或气候类型需进一步验证。
• 行为类别通过无监督聚类获得，其语义解释性未与外部问卷或行为日志对照验证。
• 未提供计算效率（推断时间、模型参数量）的对比分析。

可用于图书/PPT/简报的角度

• 插图角度：可绘制三种方法对比流程图——传统聚类+独立模型、聚类标签作为外部特征的ANP、本文的行为条件化解码器ANP。
• 演讲重点：强调“将行为结构内嵌入模型”而非“外挂”的关键思想，以及弱监督训练的实际好处（无需昂贵标签）。
• 行业应用：智能电网中负荷聚合商、家庭能源管理系统的预测模块升级，尤其适合新接入用户（冷启动场景，上下文很短时）。

原始材料

• 论文标题：Behaviour-Conditioned Neural Processes for Adaptive Residential Short-Term Load Forecasting
• arXiv ID：2607.16168v1
• 作者：Ramin Soleimani, Andrea Visentin, Dirk Pesch
• 发布/更新日期：2026-07-17
• 类别：cs.LG
• 来源URL：https://arxiv.org/abs/2607.16168v1