La predicción del comportamiento de cambio de carril (BCC) es una funcionalidad crucial de los sistemas avanzados de asistencia al conductor y de los vehículos autónomos. Predecir si el conductor de un vehículo ego considerado es probable que cambie de carril en un futuro cercano juega un papel importante en la mejora de la seguridad vial y la eficiencia del tráfico. Comprender las intenciones subyacentes detrás del comportamiento del conductor es un factor importante para la efectividad de los sistemas de asistencia y monitoreo. Los algoritmos de aprendizaje automático (AA) se han utilizado ampliamente para predecir este comportamiento analizando conjuntos de datos de tráfico y datos de conducción relacionados con el vehículo ego considerado. Sin embargo, esta tecnología aún no se ha adoptado ampliamente en productos comerciales. Se necesitan más mejoras en estos algoritmos para aumentar su robustez y fiabilidad. En algunos dominios, las curvas de características operativas del receptor y de precisión-recall se utilizan comúnmente para evaluar los algoritmos de AA, sin considerar los efectos de los parámetros del proceso en la evaluación, mientras que podría ser necesario acceder al rendimiento de estos algoritmos con respecto a tales parámetros. Este artículo propone el uso de autoencoders profundos para extraer características de múltiples niveles de conjuntos de datos, que luego pueden ser utilizados para entrenar un conjunto de clasificadores. Esto permite aprovechar las altas capacidades de extracción de características de los modelos de aprendizaje profundo y mejorar el resultado final utilizando técnicas de aprendizaje en conjunto. El concepto de probabilidad de detección se utiliza en combinación con las redes empleadas aquí para evaluar qué clasificadores pueden detectar mejor el BCC correcto en un sentido estadístico. Las aplicaciones en datos adquiridos de un simulador de conducción muestran que el método propuesto puede ser adoptado para mejorar la fiabilidad de los clasificadores, y las ANN en conjunto son las que mejor rendimiento tienen en la predicción del comportamiento humano próximo en este contexto dinámico, con una anticipación de más de 3 segundos antes del evento en sí.