复杂网络上的许多动态演化过程可以用网络上的动力学描述,通常情况下,人们可以观测到动力学产生的时间序列数据,而其背后的动力学机制难以捕捉。网络上的动力学预测在自然社会中发挥着重要作用,包括预测流行病的爆发、网络系统的瓦解、人群中观点的演化等。然而,现有的研究大多假设使用的历史数据是完整的,如特定的动力学生成的时间序列数据和网络结构是完全已知的。实际上,动力学数据与网络结构可能分布式存储在多个组织中,在许多情况下,由于隐私或许可问题,这些数据无法共享,因此本文研究如何在保护不同组织（参与方）隐私的同时准确预测网络上的动力学。在现实场景中,各参与方拥有部分的动力学数据和网络结构数据,通常有以下两种分布情况:每一方只有整个时间序列数据的部分时间戳和网络的部分结构;每一方只有部分节点的时间序列数据。由于各客户端的数据无法共享,而训练动力学预测模型往往需要大量数据,因此,本文针对以上两种数据分布场景,应用联邦学习框架在隐私保护的同时联合训练模型,使用图神经网络构建网络动力学预测模型,提出了联邦图神经网络（FGNN）框架,在保护隐私数据的同时,联合分布式数据共同训练一个全局动力学预测模型,特别地,该框架兼容不同类型的图神经网络（GNNs）模型。本文中,我们将框架与图卷积神经网络（GCN）和图注意力模型（GAT）结合构建完整的FGNN模型验证所提出框架的有效性。在不同合成网络和真实网络上,分别针对两种场景设计实验,对多种离散动力学和连续动力学进行预测。最后,我们还对美国真实流感数据进行预测。实验结果表明,联邦动力学框架能够联合多方数据信息,更好地预测动力学,同时保护客户端的隐私。