本研究提出了一种基于分解的深度集成学习方法，以解决深度学习在交通流量预测中的过拟合问题。实验结果表明，该方法在预测性能上优于直接使用原始数据，并揭示了其对聚合策略和预测时域的敏感性。

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。

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。