La riqueza de datos y las capacidades mejoradas de computación de Internet de los Vehículos (IoV) permiten el control optimizado del movimiento de vehículos que pasan por una intersección sin semáforos. Sin embargo, más intersecciones y demandas de protección de la privacidad plantean nuevos desafíos para la optimización del control de movimiento. El Aprendizaje Federado (FL) puede proteger la privacidad a través de la interacción del modelo en IoV, pero los métodos tradicionales de FL apenas tratan el problema del transporte. Para abordar el problema mencionado anteriormente, este estudio propone un marco de Aprendizaje de Imitación Federado Consciente del Tráfico para el Control de Movimiento (TAFI-MC), que consta de Interactuadores de Vehículos (VIs), Entrenadores de Borde (ETs) y un Agregador en la Nube (CA). Se integra un algoritmo de Aprendizaje de Imitación (IL) en TAFI-MC para mejorar el control de movimiento. Además, se explora una estrategia de selección de experiencia consciente de la pérdida para reducir la sobrecarga de comunicación entre ETs y VIs. Los resultados experimentales muestran que el TAFI-MC propuesto supera a las reglas imitadas en lo que respecta a la evasión de colisiones y la comodidad al conducir, y la estrategia de selección de experiencia puede reducir las sobrecargas de comunicación mientras se garantiza la convergencia.