La modelización basada en agentes (ABM) ha revolucionado la simulación de sistemas complejos, encontrando aplicaciones en diversos campos como los mercados económicos y la gestión del tráfico. Al modelar individuos como agentes autónomos dentro de un entorno dinámico, ABM permite explorar los comportamientos del sistema y evaluar intervenciones en diversas resoluciones espaciotemporales. Sin embargo, la intensidad computacional de ABM, particularmente en simulaciones a gran escala, sigue siendo un obstáculo significativo. Este artículo presenta un enfoque novedoso para abordar estos desafíos a través del desarrollo de un modelo de transporte acelerado por GPU, aplicado específicamente a una red vial. Utilizando el marco FLAME-GPU, el modelo propuesto demuestra una escalabilidad y eficiencia mejoradas en comparación con simulaciones tradicionales basadas en CPU, como la Simulación de Movilidad Urbana (SUMO). A través de un riguroso análisis comparativo, este estudio destaca mejoras significativas en la velocidad de simulación y la capacidad para gestionar poblaciones de vehículos más grandes. La investigación subraya el potencial transformador de la aceleración por GPU para mitigar las limitaciones computacionales dentro de ABM, ofreciendo un marco práctico para simular sistemas de transporte con mayor precisión y profundidad. Experimentaciones extensivas validan la capacidad del modelo para simular de manera realista la población de vehículos de la Isla de Wight, logrando un equilibrio entre la eficiencia computacional y la representación precisa de dinámicas de tráfico complejas.