我们提出了一种动量引导的联邦分割蒸馏框架，旨在实现个性化、高效且自主的时序边缘智能。框架核心包括两部分：\ \ TeRR‑SAtt（Temporal Reservoir Student Attention）是一种新颖的时序储备学生注意力设计。它将固定的储备表示、轻量级的时序学生网络以及针对每个客户端的个性化输出模块相结合，实现了在资源受限的边缘设备上保持高表达能力。\ \ AMGF（Anticipatory Momentum‑Guided Fusion）是一种预期动量引导的融合机制。该机制通过学习动量对客户端进行聚类，从而为每个聚类生成专属的教师模型更新，提升了全局知识的适配性。\ \ 在真实的智能建筑数据集上，TeRR‑SAtt 将边缘训练延迟降低了 65.50%，推理延迟降低了 44.70%，训练内存占用减少了 18.40%，推理 CPU 使用率下降了 33.10%，相较于所有基线方法均有显著优势。与此同时，AMGF 在本地学习上实现了最高 35.31% 的 RMSE 改进，显著优于仅使用全局更新的方案。\ \ 点评：该工作通过动量驱动的聚类与轻量化时序学生的结合，为边缘设备上的个性化时序预测提供了高效且可扩展的解决方案，实验结果验证了其在延迟、资源占用和预测精度上的综合优势。