Este trabajo final se centra en la exploración de cuatro técnicas para la predicción del tráfico vehicular: Autoregressive Integrated Moving Average (ARIMA), Long Short-Term Memory (LSTM), Stacked Autoencoders (SAE) y modelos basados en grafos. Estos métodos representan diferentes enfoques y paradigmas en el campo del aprendizaje automático y la minería de datos, cada uno con sus propias fortalezas y limitaciones. El objetivo principal es una evaluación de estos métodos en términos de su capacidad para modelar y predecir el flujo de tráfico vehicular. Se analizarán métricas de rendimiento y la capacidad de generalización en diferentes escenarios y conjuntos de datos. El trabajo realizado destaca que las técnicas ARIMA y LSTM son efectivas para capturar dependencias temporales en datos de tráfico, especialmente cuando esta es predominante. Sin embargo, los SAEs y modelos basados en grafos, al considerar la componente espacial, son capaces de manejar una mayor dimensionalidad de detectores. Específicamente, los modelos basados en grafos se destacan por su capacidad de modelar la estructura espacial de la red vial y las interacciones entre múltiples puntos de medición. Este documento proporciona una guía útil para los investigadores y profesionales del campo del transporte urbano, facilitando la selección y aplicación de métodos de predicción del tráfico vehicular más efectivos y adecuados para diferentes contextos y requisitos específicos.