در سیستم‌های ITS به دلیل توانایی آنها در انجام محاسبات بلادرنگ بر روی مقادیر عظیم داده پذیرفته شده‌اند. این محاسبات سخت به طور حیاتی به منابع جمعی پیشرفته برای آموزش و آزمایش مدل ها نیاز دارند و انتخاب واحدهای سخت افزاری مناسب را با چالش مواجه می کنند. برای این منظور، منابع سخت افزاری باید به طور موثر حجم عظیمی از داده ها را دریافت و پردازش کنند و نیازهای مدل های یادگیری در مقیاس بزرگ را برآورده کنند. برای چنین تنظیمات بزرگی، مانند یادگیری فدرال، این دستگاه نه تنها برای ارائه مدل ML در استنتاج استفاده می‌شود، بلکه برای آموزش مجدد مدل بر روی داده‌های به‌روز شده که به طور جمعی توسط واحدهای ITS جمع‌آوری می‌شوند نیز استفاده می‌شود. بنابراین، توجه دقیق به نوع دستگاه سخت افزاری مورد استفاده در استقرار، به ویژه با پیشرفت های اخیر برنامه های کاربردی در مقیاس بزرگ مانند شهرهای هوشمند و وسایل نقلیه متصل و خودمختار، مهم است. تعمیر کامپیوتر در اصفهان وقتی صحبت از تعداد زیادی از واحدهای سخت افزاری در سیستم های حمل و نقل می شود، عوامل چالش برانگیز زمانی، مکانی، محیطی، اقتصادی و عملکردی متعددی دخیل هستند. بنابراین، واحدهای سخت افزاری باید با دقت انتخاب شوند تا نیازهای مدل های یادگیری را برآورده کنند و در عین حال تأثیر این چالش ها را کاهش دهند. بررسی کامل موجود نظرسنجی‌ها عدم بررسی کلی MHDهای مورد استفاده تعمیر کامپیوتر در اصفهان برای اجرای تکنیک‌های ML در برنامه‌های ITS را نشان می‌دهد. از آنجایی که واحدهای سخت‌افزاری تعبیه‌شده رایج در وسایل نقلیه متصل، قطارها یا هر نوع حمل‌ونقل معمولاً دارای قابلیت‌های محدودی در مقایسه با سایر پردازنده‌های متناسب با محاسبات هستند، نیاز به بررسی سایر فناوری‌های پردازنده وجود دارد. چنین واحدهایی باید قادر به دریافت و تجزیه و تحلیل حجم عظیمی از داده ها در حین دستیابی به ویژگی های عملکرد جذاب باشند.