A standard gépi tanulási módszerek historikus adatokon alapulnak. Jellemzőjük, hogy a modell használhatósága függ az adatok mennyiségétől és minőségétől. Ennek következménye, hogy egy-egy módszer fejlesztésénél nagy volumenű adatokkal kell számolni. Ez azonban akadályozhatja egy megoldás skálázhatóságát és fenntarthatóságát.

Egy lehetséges megoldás az inkrementális (online) tanulás.  Az inkrementális tanulásban a bemeneti adatok folyamatosan bővítik a meglévő modell ismereteit, amelynek következtében valós idejű modell-továbbképzés érhető el, historikus adatok, nagy kapacitású tarolóhely és korlátozott skálázhatóságú újratanulás igénye nélkül.

A hallgatók feladata az inkrementális és folyamatos tanulási módszerek vizsgálata és implementálása egy intelligens közlekedési rendszer környezetben. A vizsgálat során figyelembe kell venni a módszerek hatékonyságát és használhatóságát. Továbbá megoldást kell adniuk az adatok késletétes nélküli továbbítására is, amely az inkrementális tanulás megvalósíthatóságát kívánja szolgálni.