La información sobre el tiempo de viaje se utiliza como entrada o datos auxiliares para tareas como navegación dinámica, planificación de infraestructuras, control de congestión y detección de accidentes. Diversos métodos de Predicción de Tiempo de Viaje (TTP) basados en datos han sido propuestos en los últimos años. Una de las tareas más desafiantes en TTP es desarrollar y seleccionar el algoritmo de predicción más apropiado. Los estudios existentes que comparan empíricamente diferentes modelos de TTP solo utilizan algunos modelos con características específicas. Además, hay una falta de investigación sobre la explicación de TTP realizada por modelos de caja negra. Tales explicaciones pueden ayudar a ajustar y aplicar métodos de TTP con éxito. Para llenar estas brechas en la literatura actual de TTP, utilizando tres conjuntos de datos, comparamos tres tipos de métodos de TTP (aprendizaje basado en árboles de ensamble, redes neuronales profundas y modelos híbridos) y en total diez algoritmos de predicción diferentes. Además, aplicamos métodos de IA Explicable (Inteligencia Artificial Explicable) (SHAP y LIME) para comprender e interpretar las predicciones de los modelos. La precisión y confiabilidad de las predicciones de todos los modelos son evaluadas y comparadas. Observamos que los métodos de aprendizaje de ensamble, es decir, XGBoost y LightGBM, son los modelos que mejor se desempeñan en los tres conjuntos de datos, y los métodos de IA Explicable pueden explicar adecuadamente cómo diversas características espaciales y temporales influyen en el tiempo de viaje.