En la actualidad, el tráfico y la accidentalidad vial son dos de los grandes problemas que enfrentan las grandes ciudades como Bogotá, que presenta uno de los índices de accidentalidad y tráfico más altos del mundo. Para intentar paliar estos problemas, a menudo los gobiernos recurren a técnicas analíticas para la estimación de tráfico y accidentalidad vial. Sin embargo, estos comportamientos dependen de múltiples variables, tales como clima, población, eventos públicos, días de la semana, entre otros. Lo anterior hace que los modelos de estimación sean más complejos y difíciles de ajustar. En los últimos años, los algoritmos de aprendizaje de máquina han avanzado sustancialmente, permitiendo que muchos problemas de clasificación y predicción de alta complejidad puedan ser abordados desde este tipo de algoritmos. En el caso de la estimación de tráfico y accidentalidad, en los últimos años han sido abordados desde distintas técnicas, tales como redes neuronales, redes neuronales convolucionales, redes neuronales recurrentes, entre otras. Sin embargo, a menudo estos modelos no son suficientes para abordar problemas en espacio-tiempo de alta complejidad en ciudades como Bogotá. En este tipo de escenarios, frecuentemente se recurre a la combinación de técnicas de aprendizaje, también denominada multimodalidad, para reducir la complejidad del problema e interpretar las salidas de un modelo. Sin embargo, la selección y ajuste de las técnicas para este tipo de solución para un problema determinado no es una tarea trivial. Este proyecto pretende solucionar el problema de la selección de técnicas de aprendizaje de máquina y ajuste para un modelo multimodal de estimación de tráfico y accidentalidad en Bogotá. Para esto, se dispone de datos recolectados por el grupo de investigación en proyectos anteriores, así como la experiencia en el desarrollo de modelos para accidentalidad.