本研究探讨了基于分解的深度集成学习在交通流量预测中的应用，解决了深度学习过拟合的问题。实验结果表明，该方法在预测性能上优于直接使用原始时间序列数据，并对聚合策略和预测时域表现出敏感性。

本研究提出了一种FedPID方法，旨在优化联邦学习中的聚合策略，通过引入PID控制器的积分部分，提高聚合性能并有效控制训练时间。

本文探讨了联邦学习中的聚合策略，提出了FedAvg算法的改进方法，包括FedAc和WeiAvg，并分析了其在异构数据上的收敛性和性能。研究表明，调整学习率和利用客户端数据多样性可显著提升模型的收敛效果和泛化能力。

该论文综合评估了联邦学习算法，重点研究了分散结构和中央汇聚方法，并探讨了多种聚合策略的效果。研究发现，完全分散的算法在多个条件下准确性可比，本地更新速率更高，噪声环境操作能力更好，但在极度偏斜的数据分布下影响严重。因此，多节点操作可能比单一算法更有效。