随着数据在互联网、物联网和人工智能等技术中的广泛应用，数据共享成为促进经济和科技发展的关键引擎之一。然而，由于数据隐私和法律等多方面的顾虑，数据共享面临挑战。联邦学习作为一种新兴的机器学习范式，以保护数据隐私的同时促进多方协作而备受关注。本文关注跨孤岛的长期联邦学习合作，旨在解决数据所有者参与合作的成本和风险问题。本文首先建立了动态博弈模型，考虑了联邦客户端之间的互动策略；然后，提出了一种基于强化学习的激励机制，通过中央计划者为不同训练期设定激励，有效地促进客户端的参与。实验证明，该激励方案在提高系统总收益和控制激励成本方面具有显著效果。本文为可持续联邦学习提供了一种有效的激励设计，有望推动数据共享和合作模型在不同领域的应用。