La detección de eventos en carretera es fundamental para tareas como el monitoreo, la detección de anomalías y la optimización. Los enfoques tradicionales a menudo requieren una ingeniería de características compleja o el uso de modelos de aprendizaje automático, lo que puede ser intensivo computacionalmente, especialmente al tratar con datos en tiempo real de sensores de vibración y aceleración de alta frecuencia. En este trabajo, proponemos un algoritmo de clasificación de eventos basado en Random Forest diseñado para manejar los patrones únicos de datos de vibración y aceleración en la detección de eventos en carretera para un escenario de tráfico urbano. Nuestro método utiliza datos de vibración y aceleración en tres ejes (x, y, z) para clasificar eventos de manera robusta y escalable. El modelo Random Forest se entrena para identificar patrones en los datos del sensor y asignarlos a categorías de eventos predefinidas, proporcionando un mecanismo de clasificación eficiente y preciso. Los resultados experimentales demuestran la efectividad de nuestro enfoque: alcanza una precisión del 91.99%, con una precisión del 80% y una recuperación del 75%, demostrando una clasificación de eventos confiable. Además, el Área Bajo la Curva (AUC) de 0.9468 confirma la fuerte capacidad discriminativa del modelo. Además, en comparación con un enfoque basado en reglas, nuestro método ofrece una mayor generalización y adaptabilidad, reduciendo la necesidad de ajustes manuales de parámetros. Mientras que el enfoque basado en reglas logra una mayor precisión del 92%, requiere ajustes frecuentes para cada conjunto de datos y carece de robustez en diferentes condiciones de la carretera.