En este proyecto buscamos estudiar la bondad del modelo Graph WaveNet en la predicción de velocidad de tráfico en un contexto de carencia de datos. Analizando en primer lugar la sensibilidad del modelo frente a la falta de datos, procedemos a plantear una serie de escenarios basados en dos conjuntos de datos vinculados a las ciudades de Los Ángeles y Montevideo. Planteando una serie de variantes con distintos grados de carencia de datos construidas eliminando datos de manera aleatoria, evaluamos una serie de métodos de imputación para observar el impacto en el rendimiento del modelo. Estos métodos de imputación están vinculados a distintos valores estadísticos como son la media general y la media por ubicación, por mencionar algunos. Además, evaluamos una alternativa de imputación que escapa a esta línea de valores estadísticos: el método forward-fill, que en orden cronológico sustituye cada dato faltante con el inmediatamente anterior. Los resultados obtenidos muestran que con un 20% de datos faltantes o más, la imputación de datos comienza a producir mejores resultados sobre la opción de no imputar datos. En la evaluación de los métodos de imputación planteados, el que destaca por sobre los demás es el método forward-fill. Este comportamiento se acentúa a medida que aumenta la cantidad de datos faltantes en el dataset, permaneciendo siempre este método como el mejor. Este resultado puede estar influenciado por la manera en que se eliminan datos para generar los escenarios de prueba, donde al eliminar datos de manera aleatoria, el método forward-fill logra reconstruir la señal mejor que el resto.