Mirando hacia el futuro, el sistema de transporte autónomo (ATS) tiene como objetivo que el servicio de movilidad personal (PMS) proporcione las opciones de viaje recomendadas basadas tanto en la demanda de viaje individual a nivel microscópico como en los objetivos del sistema de suministro a nivel macroscópico. Tal objetivo depende de una gran cantidad de datos heterogéneos para interpretar y predecir las intenciones de viaje del usuario, enfrentando los desafíos causados por los enfoques centralizados prevalentes, como una tasa de utilización desequilibrada entre la nube y el borde, y la privacidad de los datos. Para llenar este vacío, proponemos un modelo logit federado (FMXL), para estimar las preferencias del usuario, que integra un modelo de elección discreta: el modelo logit mixto (MXL), con un nuevo paradigma de aprendizaje descentralizado: el aprendizaje federado (FL). FMXL apoya al PMS al (1) realizar respectivamente estimaciones locales y globales en el cliente y el servidor para optimizar la carga, (2) aproximar colaborativamente la posterior del modelo logit mixto estándar a través de un mecanismo de interacción continua, y (3) configurar de manera flexible dos métodos específicos de estimación global (muestreo y agregación) para acomodar diferentes escenarios de estimación. Además, las tasas predichas de FMXL son aproximadamente un 10% más altas en comparación con un modelo logit plano tanto en estimaciones estáticas como dinámicas. Mientras tanto, el tiempo de estimación se ha reducido en aproximadamente un 40% en comparación con un modelo MXL centralizado. Nuestro modelo no solo puede proteger la privacidad del usuario y mejorar la utilización de los recursos del borde, sino que también mejora significativamente la precisión y la puntualidad de las recomendaciones, mejorando así el rendimiento del PMS en el ATS.