Mejorar la estimación de los tiempos de viaje de origen-destino (O-D) plantea un desafío formidable debido a la naturaleza intrincada de la dinámica del transporte. Los modelos actuales de aprendizaje profundo a menudo requieren una cantidad abrumadora de datos, tanto en términos de puntos de datos como de variables, lo que limita su aplicabilidad. Además, hay escasez de modelos capaces de predecir tiempos de viaje con información básica del viaje, como origen, destino y hora de inicio. Este documento presenta modelos novedosos basados en el algoritmo de los k vecinos más cercanos (KNN) para abordar la estimación de tiempos de viaje O-D con datos limitados. Estos modelos representan adaptaciones innovadoras de técnicas de KNN ponderadas, integrando la distancia haversine de viajes vecinos e incorporando factores de corrección para mitigar sesgos de predicción, mejorando así la precisión de las estimaciones de tiempo de viaje para un viaje dado. Además, nuestros modelos incorporan una heurística adaptativa para dividir el tiempo del día, identificando bloques de tiempo caracterizados por observaciones de tiempo de viaje similares. Estos bloques de tiempo facilitan una comprensión más matizada de los patrones de tráfico, lo que permite predicciones más precisas. Para validar la efectividad de nuestros modelos propuestos, se realizó una prueba extensiva utilizando un conjunto de datos exhaustivo de viajes en taxi obtenido de Santiago, Chile. Los resultados muestran mejoras sustanciales sobre los modelos de vanguardia existentes (por ejemplo, MAPE entre 35 y 37% en comparación con 49 a 60% en otros métodos), subrayando la eficacia de nuestro enfoque. Además, nuestros modelos revelan patrones previamente no reconocidos en el tráfico de la ciudad en varios bloques de tiempo, arrojando luz sobre la dinámica subyacente de la movilidad urbana.