Los vehículos modernos están construidos sobre una vasta colección de sensores que proporcionan grandes cantidades de datos procesados por docenas de Unidades de Control Electrónico (ECUs). Estos, a su vez, monitorean y controlan sistemas tecnológicos avanzados que ofrecen una amplia gama de funciones a los usuarios finales del vehículo (por ejemplo, estacionamiento automatizado, vehículos autónomos). A medida que los coches modernos se vuelven cada vez más interconectados con sistemas externos (por ejemplo, servicios basados en la nube), garantizar la privacidad de los datos provenientes de los sensores del vehículo se está convirtiendo en un desafiante tema de investigación. Por otro lado, las manipulaciones deliberadas de los componentes del vehículo, conocidas como manipulación, requieren una cuidadosa (y remota) supervisión del vehículo a través de transmisiones y procesamiento de datos. En este contexto, este documento documenta una metodología eficiente para la protección de la privacidad de los datos, la cual puede integrarse en los vehículos modernos. El enfoque aprovecha la Transformada Rápida de Fourier (FFT) como algoritmo de transformación de datos central, acompañado de filtros y transformaciones adicionales. La metodología se apoya en una técnica de regresión basada en Bosques Aleatorios enriquecida con un análisis estadístico adicional para la detección de manipulaciones en el caso de datos anonimizados. Los resultados experimentales, realizados en un conjunto de datos recopilados del puerto de Diagnóstico a Bordo (OBD II) de un vehículo de pasajeros Skoda Rapid 1.2 L TSI EUR6 de 2015, demuestran que los datos en el dominio del tiempo restaurados conservan las características requeridas por algoritmos de procesamiento adicionales (por ejemplo, detección de manipulaciones), mostrando al mismo tiempo un nivel ajustable de privacidad. Además, se demuestra que la detección de manipulaciones es 100% efectiva en ciertos escenarios, incluso en el contexto de datos anonimizados.