城市交通预测常常需要跨组织共享信息，但原始数据受隐私或商业限制难以直接流通，这促使研究者采用联邦时空模型。 在联邦环境中，每个客户端只观测到自身传感器子图，拥有独立的空间拓扑和时间动态，导致客户端之间的异质性非常显著。 现有的联邦时空方法主要通过模型参数聚合实现协同，却缺乏跨客户端空间依赖的恢复机制，产生两大问题： 参数聚合在异构图域上会削弱客户端专有的表征； 路网划分割断了交通动力在客户端边界上的传播。 为克服这些瓶颈，本文提出 FedeRICo 框架，结合梯度层面的协作与边界感知的残差通信。 FedeRICo 采用双支路预测结构： 全局引导支路捕获可迁移的预测模式，私有残差支路保留客户端特有的校正并吸收来自相邻客户端的边界残差信号。 全局支路通过所有客户端的梯度对齐进行协同优化，避免了直接参数混合导致的破坏。 为恢复跨客户端的空间依赖，系统在边界处执行趋势‑残差分解，抑制周期性成分，仅传递瞬时的时空残差信息给物理相邻的客户端。 实验在四个真实交通预测基准上进行，结果显示 FedeRICo 在预测精度上持续超越最先进的联邦时空基线，同时保持与传统方法相当的训练时长。
点评