주거용 단기 부하 예측 (Short-Term Load Forecasting, STLF)은 가구별 수요가 이질적이고, 시간적으로 가변적이며, 다양한 행동 루틴에 의해 형성되기 때문에 매우 어렵습니다. 본 연구에서는 문맥 조건부 (context-conditioned) 주거용 STLF를 위해, 추론된 행동 구조를 단순히 외부 그룹화 신호로 사용하는 대신 Neural Process 기반 확률 모델의 예측 메커니즘 내에 내장할 수 있는지 조사합니다. 우리는 각 부하 프로필을 하나의 예측 작업으로 취급하는 행동 조건부 Attentive Neural Process (ANP) 프레임워크를 제안합니다. 행동 구조는 가용한 문맥으로부터 추론된 이산 잠재 변수 (discrete latent variable)로 표현되어 행동 조건부 디코더 조건화 (behaviour-conditioned decoder conditioning)에 사용되며, 연속 잠재 변수 (continuous latent variable)는 이질적인 프로필 전반에 걸쳐 공유되는 기능적 불확실성 (functional uncertainty)을 포착합니다. 실제 행동 라벨(ground-truth behavioural labels) 없이 조건화를 가능하게 하기 위해, 클러스터링에서 유도된 정보가 학습 과정에서 약한 지도 학습 (weak supervision)을 제공하며, 테스트 시점의 조건화는 문맥으로부터 추론된 클래스 분포에만 의존합니다. Smart Grid, Smart City (SGSC) 데이터셋을 사용한 실험에서는 사용자 분리형(user-disjoint) 훈련/검증/테스트 분할, 가변적 문맥 길이, 다단계 예측 지평 (multi-step forecast horizons)을 적용하였으며, 라벨을 인지하지 않는 ANP 베이스라인 및 고정 윈도우 결정론적 (fixed-window deterministic) STLF 베이스라인과 비교하였습니다. 제안된 변형 모델들은 다양한 지평과 문맥 설정에서 ANP 대비 MAE 및 CRPS를 개선하였으며, 특히 문맥이 제한적인 상황에서 가장 큰 이득을 보였습니다. 가장 성능이 뛰어난 변형 모델은 ANP 대비 MAE에서 평균 7.9%, CRPS에서 6.9%의 감소를 달성했습니다. 고정 윈도우 베이스라인과 비교했을 때, 이 변형 모델은 경쟁력 있는 MAE를 유지하면서도 평가된 모든 지평에서 더 낮은 RMSE를 달성하였으며, 이는 이질적인 소비 패턴 하에서 예측 편차가 적음을 시사합니다. 이러한 결과는 이질적인 가구, 문맥 및 지평에 걸쳐 단일 모델로 불확실성을 인지하는 예측이 가능함을 뒷받침합니다.