La predicción precisa del tráfico celular contribuirá a operaciones eficientes y gestión de redes móviles. Con el aprendizaje profundo, muchos estudios han logrado una predicción exacta del tráfico celular. Sin embargo, la realidad es que bastantes subredes en la red central no tienen suficiente potencia informática para entrenar su modelo de aprendizaje profundo, a las que llamamos subredes (LCP-Nets) con potencia informática limitada. Con el fin de mejorar la eficiencia de predicción de tráfico de LCP-Nets con la ayuda del aprendizaje profundo y las subredes (ACP-Nets) con abundante potencia informática bajo el requisito de protección de la privacidad, este documento propone un marco de transferencia de modelos basado en el aprendizaje federado intra-cluster. Este marco personaliza modelos para LCP-Nets, aprovechando la transferencia de modelos entrenados por ACP-Nets. Los resultados experimentales en el conjunto de datos público muestran que el marco puede mejorar la eficiencia de la predicción de tráfico de LCP-Nets.