El actual Internet de Vehículos (IoV) enfrenta desafíos significativos relacionados con la heterogeneidad de recursos, lo que afecta negativamente la velocidad de convergencia y precisión de los modelos de aprendizaje federado. Los estudios existentes no han abordado adecuadamente el problema de los vehículos con recursos limitados que ralentizan el proceso de aprendizaje federado, especialmente bajo condiciones de alta movilidad. Para abordar este problema, proponemos un mecanismo de entrenamiento colaborativo de partición de modelos que descompone las tareas de entrenamiento para vehículos con recursos limitados mientras se mantiene localmente los datos originales. Al externalizar tareas computacionales complejas a vehículos de servicio cercanos, este enfoque acelera efectivamente la lenta velocidad de entrenamiento de los vehículos con recursos limitados. Además, introducimos un método de emparejamiento óptimo para vehículos de servicio colaborativo. Al analizar rutas comunes y retrasos de tiempo, emparejamos vehículos de servicio con rutas similares y un rendimiento superior dentro de los grupos de vehículos de servicio móvil para proporcionar servicios de entrenamiento colaborativo efectivos. Este método maximiza la eficiencia de entrenamiento y mitiga los efectos negativos de la movilidad de los vehículos en el entrenamiento colaborativo. Experimentos de simulación demuestran que, en comparación con los métodos de referencia, nuestro enfoque reduce el impacto de la movilidad en la colaboración, logrando grandes mejoras en la velocidad de entrenamiento y el tiempo de convergencia del aprendizaje federado.