La predicción del tráfico inalámbrico es esencial para desarrollar redes de comunicación inteligentes que faciliten una asignación eficiente de recursos. A lo largo de esta línea, la predicción descentralizada del tráfico inalámbrico bajo el paradigma del aprendizaje federado está cobrando cada vez más importancia. En comparación con el aprendizaje centralizado tradicional, el aprendizaje federado satisface los requisitos de los operadores de red para la protección de datos sensibles y reduce el consumo de recursos de red. En este documento, proponemos un nuevo marco de aprendizaje federado eficiente en comunicación, llamado FedCE, desarrollando un esquema de compresión de gradientes y una estrategia de agregación adaptativa para la predicción del tráfico inalámbrico. FedCE logra la compresión de gradientes a través de la esparsificación top-K y puede aliviar en gran medida las cargas de comunicación entre los clientes locales y el servidor central, haciéndolo eficiente en comunicación. Se diseña una estrategia de agregación adaptativa cuantificando las diferentes contribuciones de los modelos locales al modelo global, haciendo que FedCE sea consciente de las dependencias espaciales entre los diversos clientes locales. Validamos la efectividad de FedCE en dos conjuntos de datos del mundo real. Los resultados demuestran que FedCE puede mejorar la precisión de la predicción en aproximadamente un 27% con solo el 20% de las comunicaciones en el método base.