Este trabajo aborda el desafío de monitorear la calidad de las carreteras a bajo costo en el contexto de los países en desarrollo. Específicamente, nos enfocamos en utilizar datos de acelerómetros recopilados de teléfonos inteligentes mientras los conductores recorren las carreteras en sus vehículos. Dada la alta frecuencia de recopilación de datos por los acelerómetros, los grandes conjuntos de datos resultantes plantean un desafío computacional para la detección de anomalías utilizando algoritmos de clasificación supervisada. Para mitigar problemas de escalabilidad, es beneficioso primero agrupar los datos en secciones continuas homogéneas. Este enfoque se alinea con el problema más amplio de detección de cambios en una secuencia finita de datos indexados por un conjunto totalmente ordenado, que podría representar tanto una serie temporal como una trayectoria espacial. Se extraen características de curvatura y se segmentan a través de algoritmos adaptados de Agrupamiento Jerárquico Ascendente (AHC) y K-means adecuados para datos de carreteras secuenciales. Nuestro objetivo es segmentar las carreteras en subsecciones homogéneas que posteriormente pueden etiquetarse según el nivel o tipo de irregularidad. Mediante un análisis de varianza (ANOVA), demostramos que las características de curvatura son efectivas para la clasificación, con un valor de Fisher de y un valor de p de . Utilizamos dos algoritmos de detección de cambios: (1) Agrupamiento Jerárquico Ascendente (AHC) y (2) K-means. Basándonos en el conjunto de datos y el número de clases, AHC y K-means logran las siguientes métricas de rendimiento, respectivamente: especificidad de y , tasa de verdaderos negativos de y , precisión de y , coeficiente de de y , e índice de Rand de y . El tiempo computacional promedio para K-means es de s, en comparación con s para AHC, lo que resulta en una relación de 1070. En general, AHC es significativamente más rápido y logra un mejor equilibrio de rendimiento en comparación con K-means.