照明负荷是建筑能耗的重要组成部分，在提高照明品质和降低照明能耗的双重要求下，照明负荷预测的关键性逐渐凸显。随着信息技术的发展，负荷数据采集平台日益完善，负荷数据规模不断扩大，同时也伴随着数据复杂化。为了进一步精确预测照明负荷，分析与获取负荷的行为模式愈发重要，基于此提出一种集成学习照明负荷预测方法。通过K-means和Light Gradient Boosting Machine(LightGBM)算法对预测日的模式标签进行分析与获取，并与照明负荷以及气候特征一起作为Sequenceto Sequence(Seq2Seq)模型的输入以预测照明负荷。通过分析实际案例，本研究所提出方法相较于未采用行为模式标签的传统方法，显著改善了归一化均方根误差(NRMSE)和决定系数(R2)两项性能指标，分别提升了18%和8%，验证了该方法在照明负荷预测领域具备可行性与优越性。