该文章介绍了一种基于多跳聚类的分层联邦学习框架，解决车辆自组织网络中的通信资源有限、车辆移动性高和数据分布多样性等问题。框架使用平均相对速度和FL模型参数的余弦相似度的加权组合作为聚类度量，确保收敛性。同时，框架还包括管理聚类头的平滑过渡机制和向指定簇头传递最新FL模型参数的新机制。通过广泛的仿真实验，证明了该分层联邦学习系统在提高准确性和收敛时间方面的显著改进，并维持了可接受的分组开销水平。