摘要
多步负荷预测仍然极具挑战性，因为实际需求序列呈现出非平稳性、多尺度周期性和依赖于运行模式的时序结构。性能下降往往并非仅仅源于模型规模不足，而是由于实际运行模式与固定预测骨干网络的归纳偏置之间存在失配。本文提出了 XLTFormer，一种模式自适应框架，将多步预测视为在异构结构先验之上进行描述符增强的路由。记忆、注意力、分解、跨变量交互、基于补丁的表示以及频域建模被组织为路由级别的专家模块，而方法学贡献集中在以下四个机制：基于模式描述符的样本级路由、混合后峰值上下文校正、轻量级专家保留训练以及验证门控的部署选择。在三个真实负荷基准数据集上，XLTFormer 在十种随机种子协议下于所有五项报告指标上均取得了最低的均方误差，并在受控容量对比下综合排名第一。在保留的重新运行结果中，最终部署在三个数据集上反复选择了跨变量路由，其中电力数据集的 WAPE/sMAPE 为 3.7274/3.7320，PJM 数据集为 3.9576/3.8643，GEFCom2014 负荷数据集为 7.2619/7.5058。与最强的竞争基线相比，电力数据集上的 WAPE 改进达到 2.11%，PJM 上为 1.11%，GEFCom2014 负荷上为 1.02%；相应地，sMAPE 的降低分别为 2.40%、1.29% 和 1.08%。种子级配对检验、依赖感知块自举法和 Friedman 排名分析进一步表明，这种保留部署的优势是稳定的，而非偶然的。然而，时序路由审计表明，样本级门控仍在跨局部模式重新分配路由责任，尤其是在峰值、爬坡或与天气相关的压力增加时。这些结果表明，实际的预测增益来自完整的以可靠性为导向的框架，其中自适应路由塑造了路由间的交互，而验证门控选择决定了最终保留的输出，而非仅仅将部署精度归因于原始自适应融合。总体而言，该框架为准确、稳定且具有实用意义的多步负荷预测提供了一种有效的方向。
