本发明公开一种基于联邦学习的联邦预测方法，通过对本地更新的梯度向量单位化，使单个参与方更新的神经网络模型参数变化只有方向差异，无大小差异，这样既保护了数据隐私，同时不需要使用同态、差分隐私或其他加密技术，在不丢失数据精度情况下，极大减少设备与服务器之间通讯代价。另外，考虑到联邦学习场景下数据往往差异性较大，可以通过增加数据的局部信息，提高对局部参与方的性能，利用k‑means算法对上传的神经网络模型参数聚类，得到相似的神经网络模型参数，提高神经网络模型参数聚合权重，既而更加适应于本参与方的数据场景。